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。该研究面向机器人辅助手术长视频中的错误检测与时间定位，提出分层模型 SEDMamba，以选择性状态空间模型（SSM）建模长期依赖，并结合瓶颈机制与细到粗时间融合（FCTF），兼顾时间上下文与计算效率；研究对象是手术视频，而非 EEG 或 BCI。 机制方面，作者描述选择性 SSM 支持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，以降低计算开销。FCTF 使用多个空洞一维卷积层融合不同尺度的时间信息，以适应持续时间不同的手术错误。具体特征提取方式、模型配置、损失函数及训练和推理流程尚未验证。 数据方面，作者利用经过临床验证的 observational clinical human reliability assessment（OCHRA）工具，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 工具的临床验证不等于 SEDMamba 已获得临床有效性验证。 作者报告，在上述手术错误检测实验中，相较其称为当前最先进的方法，SEDMamba 的 AUC 和 AP 增益分别至少为 1.82% 与 3.80%，并显著降低计算复杂度。摘要未明确这些增益是相对百分比还是绝对百分点，也未提供数据划分、具体对照、计算量数值及统计信息，因此不能据此进行跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，多尺度时间融合可能适用于持续时间不一的 EEG 事件，SSM 则可能缓解长时序建模的计算负担。可复用部分是时间建模与融合模块；视频空间特征瓶颈、输入表征及帧级监督需改造为适合 EEG 通道和事件标签的形式。低信噪比、跨被试差异、通道配置变化及小数据条件可能使压缩丢失判别信息。可在一个具有时间定位标注的 EEG 数据集上，固定前端与跨被试划分，对比 SSM、加入瓶颈及加入 FCTF 的版本，检验事件定位性能与计算开销是否同时改善。已有 EEG 相关工作尚未检索确认。