Medformer：用于医学时间序列分类的多粒度分块 Transformer

基于摘要分析。Medformer 面向 EEG、ECG 等医学时间序列分类，通过跨通道分块、多粒度嵌入及两阶段自注意力，联合建模通道间相关性与不同时间尺度的特征；其主要研究对象是医学信号分类，而非专门的 BCI 控制任务。 机制上，跨通道分块用于利用通道间相关性，多粒度嵌入用于提取不同尺度的特征，两阶段自注意力分别学习粒度内部和粒度之间的特征及关联。摘要未给出分块长度、通道组织方式、注意力计算细节、损失函数或训练配置，尚不能据此判断各模块的独立贡献与计算代价。 作者报告，在五个公开数据集的被试依赖和被试独立设置下，与 10 个基线比较，Medformer 在全部六项评估指标上均取得跨五个数据集的最佳平均排名。该结论是平均排名优势，不等同于每个数据集、每项指标均最优。摘要未列出数据集名称、被试规模、指标名称、具体分数及划分方式；实验协议、消融及统计信息尚未验证。作者将心肌梗死、Alzheimer's disease 和 Parkinson's disease 诊断列为应用方向，但摘要不足以支持临床有效性判断。 作者提供了源代码链接，但代码内容、运行环境及复现一致性尚未核验。对 EEG 研究而言，该工作的直接阅读价值在于考察跨通道关系与多时间尺度建模如何配合；若进一步用于 MI、SSVEP 等 BCI 任务，其有效性仍需独立验证，不能由医学分类结果直接推定。