Time Scale Network：用于生物医学时间序列数据的高效浅层神经网络

基于摘要分析。研究针对生物医学时间序列包含多时间尺度信息、而部分深度学习方案带来较高参数量、计算与数据需求的问题，提出浅层 Time Scale Network，将离散小波变换中的平移与伸缩序列结合传统卷积神经网络及反向传播，用于高效的序列分类。 核心机制是同时学习多个时间尺度的特征，以较少参数和运算提取时序模式。其设计价值在于把小波式多尺度处理与可学习特征提取结合，而非单纯增加网络规模；具体网络结构、尺度组织方式、损失函数、训练配置及尺度筛选流程尚未验证。作者称该方法不依赖对信号内容的特定约束或假设，但这一适用性主张仍需结合具体任务检验。 原论文的验证对象包括 ECG 心房功能障碍检测与 EEG 癫痫发作预测，而非通用 BCI 解码。对于 ECG 任务，作者报告单位参数及单位运算对应的准确率优势、较快的训练和推理速度，以及学习模式的可视化与解释；摘要未提供具体基线、耗时或计算量。对于 EEG 癫痫发作预测，作者报告通过策略性选择少数时间尺度，仅使用 1,133 个活跃参数达到 90.9% Accuracy，并观察到网络持续收敛于脉冲状波形。摘要未说明该结果属于被试内还是跨被试评估，也未给出数据集、被试数、划分、预测时间窗及类别分布，因此不能据此判断泛化能力或直接比较其他方法。 复现重点应核对多尺度特征构建与选择流程、活跃参数及运算量的计数口径，以及尺度选择是否在训练或验证数据上完成。实验协议、消融及统计信息尚未验证；实时或边缘设备部署价值还需实际延迟、内存及功耗测试支持。该 EEG 任务的结果本身不构成对运动想象、SSVEP 或其他 BCI 任务有效性的证据。