ResOT：用于神经信号分类的资源高效斜决策树
基于摘要分析。该研究面向神经植入设备上计算与存储资源受限的分类问题，提出基于斜决策树的 ResOT，将模型压缩、概率路由与成本感知学习结合，以降低神经信号分类器的资源需求。作者在三个神经信号任务上评估了带有功耗高效正则化的版本 ResOT-PE，目标是在维持分类性能的同时减少模型存储与特征提取成本。 技术机制上，斜决策树使用特征组合构造决策边界；本文进一步将模型压缩和概率路由纳入学习过程，并考虑计算成本。摘要未提供路由概率的具体定义、正则化形式、特征构成及训练和推理流程，因此尚不能判断各模块对性能与资源节省的独立贡献。其核心阅读价值是把分类性能与植入式部署成本共同纳入模型设计，而非仅比较分类指标。 作者报告：在使用 10 名癫痫患者 iEEG 的癫痫发作检测任务中，相比 boosted tree ensemble，模型大小和特征提取成本分别降低 3.4 倍与 14.6 倍。在使用 12 名植入 DBS 设备的帕金森病患者局部场电位进行震颤检测时，作者报告分类性能与 boosted tree ensemble 相当，模型大小和特征提取成本分别降低 10.6 倍与 6.8 倍。在使用 9 名被试 ECoG 的六分类手指运动检测任务中，作者报告模型大小和特征计算成本分别降低 17.6 倍与 5.1 倍；摘要未明确该任务上述倍数对应的对照模型。 这些结果分别对应疾病检测与运动解码，不能直接合并为统一的 BCI 性能结论。摘要未给出具体分类指标、被试内或跨被试划分、成本计量单位，以及是否进行了芯片实测；存储与特征计算成本的下降也不能直接等同于整机功耗按相同比例下降。实验协议、消融及统计信息尚未验证。复现时需核对数据与特征提取流程、基线配置、正则化与路由实现，以及成本估算和实际硬件测量之间的对应关系；代码和数据可用性尚未验证。
阅读价值：值得核对其成本感知学习如何在保持分类性能的同时降低模型存储与特征计算开销，尤其是三个植入式神经信号任务中的成本核算方式及部署条件。