NeuroDETR：多尺度词元化检测异步EEG事件

基于摘要分析。本文研究连续 EEG 中的异步事件检测，即在推理时不预先给定事件边界，直接识别事件类别及其起止时间。作者提出 NeuroDETR，通过多尺度离散时空词元化与事件感知特征细化，提取持续背景活动中嵌入的事件相关模式。 核心机制包括两类互补表征：多尺度时间码本用于捕获短暂响应与持续动态，Spatial-Pyramid VQ 则分层编码 EEG 通道间的空间结构。二者共同形成紧凑的事件记忆，用于联合进行事件分类与起止边界估计。词元化之前，框架使用事件感知稀疏注意力模块 FOCAL，以预测的事件存在性引导时间特征细化和空间聚合，在强调可能出现事件的时段时保留记录中的上下文。摘要未提供离散码本的训练目标、事件存在性预测的监督方式，以及联合检测的损失和推理细节。 作者报告，在覆盖多种范式的八个 EEG 数据集上取得最先进性能；但摘要未列出数据集名称、被试数、数据划分、对照方法、评价指标或具体数值，因此尚不能判断优势对应哪些检测条件，也不能直接推断其跨被试、跨会话或在线使用效果。 全文核对重点包括：连续记录的构造与划分方式、事件边界匹配准则、类别识别与边界定位的分别表现，以及多尺度码本、Spatial-Pyramid VQ 和 FOCAL 的独立贡献。实际异步 BCI 使用还需关注背景时段误报、检测延迟及上下文使用范围；这些均属于待验证事项，而非摘要已证实的部署能力。实验协议、消融及统计信息尚未验证。