University of Central Florida

神经电生理预训练模型架构各异、输入格式互不兼容，实验室往往要逐模型手工配置才能比较。NS-Copilot 把九个脑电与脉冲预训练模型统一到一个自然语言接口下，由规划、编码、控制、解读四个智能体自动选模型、生成代码并闭环调优。在阿尔茨海默病、帕金森病和工作记忆解码三个基准上各跑8次，其主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于所列基线。

神经电生理预训练模型架构各异、输入格式互不兼容，实验室往往要逐模型手工配置才能比较。NS-Copilot 把九个脑电与脉冲预训练模型统一到一个自然语言接口下，由规划、编码、控制、解读四个智能体自动选模型、生成代码并闭环调优。在阿尔茨海默病、帕金森病和工作记忆解码三个基准上各跑8次，其主指标分别为宏F1 57.16%、平衡准确率71.32%和74.43%，均高于所列基线。

该研究提出一种稀疏监督的AI框架，用冻结的超声基础模型（USFM，ViT-B）为每帧提取768维特征，交给轻量双向LSTM时间头输出0到1的帧质量分数，并以高斯软标签（在专家标注的关键帧处取峰值、随帧距平滑衰减，宽度σ=5帧）训练；在18名受试者、323段超声扫查视频（覆盖9种受控采集扫查类型、约45,500帧）的受试者级五折交叉验证中，该方法在含关键帧的扫查里以82.2%的Hit@1选出可用帧、平均最小距离3.07帧，超过最强无训练基线（USFM特征余弦相似度49.2%）与硬标签模型（71.9%）。

该研究提出一种稀疏监督的AI框架，用冻结的超声基础模型（USFM，ViT-B）为每帧提取768维特征，交给轻量双向LSTM时间头输出0到1的帧质量分数，并以高斯软标签（在专家标注的关键帧处取峰值、随帧距平滑衰减，宽度σ=5帧）训练；在18名受试者、323段超声扫查视频（覆盖9种受控采集扫查类型、约45,500帧）的受试者级五折交叉验证中，该方法在含关键帧的扫查里以82.2%的Hit@1选出可用帧、平均最小距离3.07帧，超过最强无训练基线（USFM特征余弦相似度49.2%）与硬标签模型（71.9%）。