SEDMamba：通过瓶颈机制与细到粗时间融合增强选择性状态空间建模，实现高效机器人辅助手术错误检测

基于摘要分析。本文研究机器人辅助手术长视频中的错误检测与时间定位，提出层次化模型 SEDMamba，以选择性状态空间模型（SSM）、瓶颈机制和细到粗时间融合（FCTF）兼顾长期依赖建模与计算效率；研究对象是手术视频，而非 EEG 或 BCI。 机制方面，选择性 SSM 用于线性复杂度的长序列建模；瓶颈机制在特征的空间维度进行压缩与恢复，以降低计算复杂度。FCTF 使用多个扩张一维卷积层融合不同时间尺度的信息，适配持续时间不同的手术错误。摘要未提供具体层数、特征提取器、损失函数或训练与推理配置。 数据方面，作者使用经临床验证的观察性临床人类可靠性评估工具 OCHRA，对开源根治性前列腺切除术数据集 SAR-RARP50 中的缝合任务进行错误标注，形成帧级在体手术错误数据集。作者称其为此类首个数据集，该优先性声明尚未独立核实；OCHRA 的临床验证不等于 SEDMamba 已完成临床有效性验证。 作者报告，在手术错误检测实验中，相较其所述最先进方法，AUC 和 AP 的增益分别至少为 1.82% 和 3.80%，同时显著降低计算复杂度。原文以百分号表述增益，未明确是相对百分比还是百分点；具体数据划分、对照方法、计算开销、消融及统计信息尚未验证。摘要称将发布错误标注、代码和模型，当前可用性尚未验证。 平台推测（待验证）：其线性长序列建模与多尺度时间融合机制，可能适用于 EEG 连续记录中持续时间不一的事件检测，但这是假设，不是已证实的 BCI 效果。原方法依赖视频特征序列及帧级错误标注；迁移需改造 EEG 通道编码、瓶颈维度与时间尺度，并配备事件级或时间点级监督。低信噪比、短暂事件被压缩、跨被试差异、通道布局变化及小数据过拟合均可能导致失败。可在固定跨被试划分和相同 EEG 特征输入下，对比基础 SSM 与加入瓶颈、FCTF 的版本，检验事件检测 AP 与计算开销是否同步改善。已有 EEG 相关工作尚未检索确认。