用于 EEG 闭环资源高效睡眠分期的前缀自适应与效用感知停止

基于摘要分析。研究针对可穿戴睡眠分期中持续 EEG 采集的资源开销，提出 Prefix-Adaptive and Utility-Aware Stopping（PAUSE），将当前睡眠分期时段的提前停止与传递给后续时段的历史记忆纳入同一闭环，以应对提前停止引起的历史截断及推理分布偏移。 摘要指出，早期时间序列分类（ECTS）通常将停止决策视为只影响当前实例，但连续睡眠分期时段相互依赖：当前时段提前结束采集，会改变后续时段可使用的历史；若模型仅在完整历史上训练，推理时就可能遭遇策略诱导的协变量偏移。PAUSE 的效用感知有限时域停止器，比较停止风险与预期继续风险加采集成本；因果端点记忆骨干使用前序时段在策略决定的停止点处形成的摘要；成对历史训练结合完整历史与随机截断历史，降低模型对历史截断的敏感性。具体风险定义、成本设定、训练目标及截断采样方式尚未验证。 作者报告，在四个公共数据集上，相比其所称的最先进 ECTS 基线，PAUSE 将 macro-F1 与采集量的权衡前沿提高 11.4–13.7 点，同时所需 EEG 量减少 5.5–7.4 倍。摘要未提供数据集名称、被试数、被试内或跨被试划分、前沿提升的计算方法，以及 EEG 量的计量口径，因此不能将这些数字解读为已确认的跨被试泛化收益或设备能耗降幅。 复现重点是核对停止策略与历史记忆是否在训练和推理中一致衔接，并确认停止器、端点记忆和成对历史训练各自的贡献。实验协议、消融及统计信息尚未验证；代码与实际设备资源测量情况也尚未确认。该工作的直接对象是 EEG 睡眠分期与按证据停止采集，而非已验证的通用 BCI 控制算法。