TrajGPT：用于健康轨迹分析的不规则时间序列表征学习

基于摘要分析。该研究面向医疗等领域采样间隔不一致的时间序列，提出 Trajectory Generative Pre-trained Transformer（TrajGPT），通过选择性保留历史信息和连续动力学建模，支持健康轨迹表征及任意目标时点的预测。原论文的主要研究对象是健康与疾病轨迹，而非 EEG 或 BCI。 核心机制为 Selective Recurrent Attention（SRA）：利用依赖数据的衰减，根据上下文自适应过滤不相关的历史信息。作者将 TrajGPT 解释为离散化的常微分方程（ODE），据此刻画潜在连续动力学，并进行指定时点推理。摘要未提供衰减函数、ODE 对应关系、训练目标及时间间隔的具体编码方式，这些实现细节尚未验证。 作者报告，在摘要所述实验中，TrajGPT 无需任务特定微调即可用于轨迹预测、药物使用预测和表型分类；通过演化学得的连续动力学，还可从部分观测序列插值与外推疾病风险轨迹。作者以预测轨迹可视化说明，模型能依据临床相关表型历史预测此前未观测到的疾病。摘要未给出数据集、样本量、划分方式、对照基线或定量指标，实验协议、消融及统计信息尚未验证；“无需任务特定微调”的训练与评估边界也需正文核对。 平台推测（待验证）：若 EEG 应用存在丢失片段或不规则观测，SRA 的上下文相关记忆衰减与指定时点预测可能具有方法参考价值，但医疗事件序列的有效性不等于对高频连续 EEG 有效。可复用的是历史信息筛选和时间条件推理思路；输入表征、通道关系与训练目标需改造。低信噪比可能使衰减机制误删短暂有效活动，通道差异、跨被试变化及小数据也可能削弱动力学估计。一个可证伪的小实验是在固定 EEG 数据划分下人为制造不规则缺失，对比改造后的方法与插值后时序基线的重建误差，并控制缺失模式和训练数据量。已有 EEG 相关工作尚未检索确认。