结合模型选择的时空贝叶斯在线变点检测

基于摘要分析。该研究针对非平稳时空过程，将 Bayesian On-line Changepoint Detection 扩展到在线模型选择，并以空间结构化 Vector Autoregressions（VARs，向量自回归）描述变点之间的过程，使预测、模型选择和变点检测能够在线进行。 方法的主要贡献是把区间内的时空动态建模与变点检测结合，并给出所用模型的近似误差上界。摘要未说明空间结构如何编码、候选模型如何构造、后验更新方式以及误差界的成立条件，这些机制细节需结合全文核对。 作者报告算法的时间复杂度为线性、空间复杂度为常数，相比其最接近的竞争方法快两个数量级，并在多变量数据上优于当时的先进方法。但摘要未提供复杂度所对应的变量、数据集、比较基线、评价指标或运行环境，因此这些结论目前只能作为作者报告，不能据此推断在高维信号或其他任务上的速度与精度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，多通道 EEG 中随时间变化的通道依赖关系可由空间结构化 VAR 近似，在线变点检测可能帮助识别非平稳状态切换。可复用的部分是变点检测与模型选择框架；需改造的是电极空间关系、候选 VAR 结构及噪声模型。低信噪比、伪迹、通道配置差异和有限校准数据可能使变点误报或参数估计不稳定。一个可检验的小实验是在相同 EEG 时间序列和按时间顺序的评估协议下，对比固定 VAR、无空间结构的在线变点模型与该方法，检查预测误差、人工注入变点的检测延迟和误报率，而非直接宣称改善 BCI 解码。已有 EEG 相关工作尚未检索确认。