NeurDuo-EEG：具有持久状态与显式记忆的长序列 EEG 基础模型

基于摘要分析。NeurDuo-EEG 针对 EEG 基础模型独立处理固定窗口、难以利用长时程动态的问题，提出具有按通道维护的持久记忆的因果 EEG 基础模型，在固定大小状态下持续处理连续 EEG。 其机制重点是多时间尺度记忆管理，通过学习式记忆巩固与选择性检索，补充状态空间架构将长程信息隐式压缩进递归状态的处理方式。模型在来自 17 个公开数据集的 3,955 小时 EEG 上预训练，目标为多通道离散频谱编码的自回归预测。频谱编码的构建方式、记忆更新与检索实现、训练序列长度及状态初始化策略尚未验证。 作者报告，在三个短窗口任务和两个长序列下游任务中，NeurDuo-EEG 在五项基准中的四项取得最佳表现，涵盖全部三个短窗口任务及癫痫发作检测。在摘要所述癫痫发作检测评估中，相比最强非 NeurDuo 基线，AUC-PR 从 0.285 提升至 0.471；具体数据集、划分、基线身份及统计不确定性尚未验证，不能据此判断跨被试或跨数据集泛化能力。作者报告模型在睡眠分期上也保持竞争力，但摘要未给出对应指标。 在流式推理方面，作者报告，随着可用历史增长至一小时，每个数据块的延迟近乎恒定，并指出 Small 变体仅有 4.7M 个骨干参数。该参数量不等同于完整系统参数量；硬件、数据块长度、状态存储开销及具体延迟尚未验证。 复现时值得核对持久状态在记录与被试边界的重置规则、长历史收益与记忆模块的消融，以及预训练数据与下游评估的划分关系。摘要提供了代码仓库，但代码完整性、权重可用性、实验协议、消融及统计信息尚未验证。上述结果支持进一步评估持续建模的价值，但不直接证明在线 BCI 场景中的有效性。