SurgicalMamba：用于在线手术阶段识别的双路径 SSD 与状态重编排

SurgicalMamba 研究仅利用历史帧进行在线手术阶段识别，针对长时手术视频中重复场景的状态覆盖与阶段时长差异带来的遗忘冲突，提出状态重编排和强度调制步进机制。基于摘要分析，未取得论文全文；其主要研究对象是手术视频，而非 EEG 或 BCI。 机制方面，作者指出，结构化状态空间对偶性（Structured State-Space Duality，SSD）可满足单帧预测成本不随手术持续时间增长的要求，但重复视图可能覆盖此前状态，而统一的衰减行为难以兼顾短阶段清除与长阶段保留。State regramming 对跨分块传递的状态施加输入条件化的正交旋转，使当前帧的写入位置也取决于此前经过的内容，从而区分被不同阶段隔开的相似视图。Intensity-modulated stepping 利用标注阶段边界监督离散化步长的时间扭曲，在阶段结束处促进状态清除，使阶段内部的衰减更偏向保留。作者称两者保持 SSD 的 N-semiseparable 结构和 O(d) 单帧成本；双路径的具体组织、监督形式与训练细节尚未验证。 作者报告，在七个公开基准的在线识别评估中，模型的 Accuracy 与阶段级 Jaccard 达到或超过现有最佳方法；Cholec80 上分别为 94.6% 与 82.7%，AutoLaparo 上分别为 89.5% 与 68.9%，并报告单 GPU 吞吐量为 312.88 fps。数据划分、其余基准、对照方法、GPU 型号、计时范围、消融及统计信息尚未验证，不能据此比较其他协议下的结果。摘要提供代码入口，但代码内容及复现条件尚未核验。 平台推测（待验证）：若 EEG 任务包含持续时长不同且可标注边界的状态，状态旋转与边界驱动步进可能对应长序列中的重复模式混淆和保留—遗忘冲突。可复用候选是 SSD 状态更新机制，需改造视频输入编码及边界监督；低信噪比、跨被试差异、通道变化和小数据可能使旋转或边界学习不稳定。一个可证伪的小实验是在同一 EEG 阶段识别任务、相同被试划分与因果输入下，对照基础 SSD 和分别加入两种机制的版本，比较阶段识别指标、边界误差及推理成本。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。