Motiflets：时间序列重复模式的快速准确检测

基于摘要分析。本文研究一般时间序列中的重复模式发现（Motif Discovery，MD），提出 k-Motiflets：在长度为 l 的子序列中，寻找恰好包含 k 次出现、且最大成对距离最小的集合。核心贡献是以期望出现次数 k 替代难以预设的距离阈值 r，使用户能够从希望发现多少次重复出发定义搜索目标，而非反复调整相似度阈值。 传统 MD 方法通常需要指定模式长度 l 和出现实例之间的最大距离 r；作者指出，r 的相近取值也可能导致发现结果明显变化。针对新定义，作者提出精确与近似搜索算法并分析复杂度，同时提供统计工具以自动确定有意义的输入参数。具体距离度量、归一化方式、搜索实现、近似保证及参数选择程序尚未验证。 作者报告，在多个真实世界数据集上与四种被称为 SotA 的 MD 算法比较，其方法发现的模式集合更大、集合内相似度更高，且模式更清晰、易于解释，无需手动调参。摘要未提供数据集名称、具体指标、数值或运行时间；实验协议、消融及统计信息尚未验证，因此不能据此量化准确性或速度优势。 原论文的主要对象是通用时间序列重复结构，EEG 睡眠纺锤波仅作为应用示例出现，不能视为已完成 EEG 检测或 BCI 验证。平台推测（待验证）：若 EEG 中存在持续时间与波形相对稳定的重复事件，按 k 搜索紧凑子序列集合可能辅助候选事件发现；可复用的是模式集合目标与搜索机制，需要核对或改造的是多通道距离、幅值归一化及事件时长处理。低信噪比、伪迹重复、跨被试差异以及真实事件数量未知，都可能使最紧凑的集合偏离目标事件。一个可检验的小实验是在带纺锤波标注的 EEG 记录中，比较 k-Motiflets 与距离阈值式 MD 在相同预处理和长度条件下的候选事件匹配及参数敏感性。已有相关 EEG 工作尚未检索确认。