利用可解释特征在谱域中对高维时间序列进行分类及其在神经影像数据中的应用

基于摘要分析。该研究针对高维平稳时间序列的可解释分类，提出一种基于模型的谱域方法：不要求各类别的谱矩阵或其逆矩阵本身稀疏，而是假设谱之间的差异具有稀疏性，以提取可区分类别的谱域特征。研究同时提出判别性频率筛选方法，并在模拟数据、EEG 与钙成像数据上进行评估。 核心机制与理论：传统谱域特征选择对谱矩阵或其逆矩阵施加稀疏约束，可能限制其对复杂数据的适用性；本文将约束对象转向谱差异，使建模重点落在类别间的差异，而非每一类内部的整体结构。作者报告，在一般条件下证明了模型参数估计量的一致性，所提出的频率筛选方法具有 sure screening property。摘要未给出具体判别函数、估计目标、稀疏约束形式及理论成立所需的详细条件，尚不能据此判断其计算代价与适用边界。 解释性与应用：作者将参数可解释性作为主要贡献，意在支持对不同状态下脑网络连接差异的理解。作者报告使用多个模拟示例，并应用于 EEG 和钙成像数据；但摘要没有提供分类任务、数据集名称、被试规模、数据划分、对照方法或性能数值，因此尚不能判断其在被试内、跨被试或跨会话场景中的效果，也不能将神经影像分类应用等同于已验证的 BCI 效果。 复现时需重点核对平稳性假设如何落实、谱估计与频率筛选如何嵌入训练和评估流程，以及所选参数如何对应可解释的连接差异。实验协议、消融及统计信息尚未验证。