利用表示曲率进行时间序列边界检测

基于摘要分析。本文研究时间序列中类别发生变化的时间点检测，提出 RECURVE，将表示序列视为表示空间中的轨迹，以轨迹曲率作为变化度量，旨在同时处理渐变与突变边界。 核心机制：作者指出，依赖相邻表示距离差异的边界检测方法在渐变情形下可能失效。RECURVE 转而考察表示轨迹的弯曲程度；作者报告，借助随机游走理论可形式化说明，边界附近的平均曲率低于其他位置。该结论的随机过程假设、曲率定义及估计窗口尚需正文核对，不能据摘要将其推广为任意时间序列都成立的规律。 结果与证据范围：作者报告，在多种真实世界时间序列数据集上的实验中，RECURVE 优于所比较的先进方法。摘要未提供数据集名称、划分协议、评价指标或具体数值，表示学习的监督方式、训练与推理流程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，EEG 中某些渐进状态切换可能不表现为相邻表示距离的明显跃升，而能通过局部轨迹曲率呈现。可复用部分是表示轨迹构建与曲率评分；需根据 EEG 采样尺度、通道配置和边界标注方式改造表示提取、时间窗口及阈值。低信噪比可能使曲率估计不稳定，跨被试差异、通道变化及小样本训练也可能改变表示空间的几何结构。一个小规模检验是在具有独立边界标注的 EEG 数据上固定表示提取器，用相同划分、后处理和边界容差比较曲率评分与相邻距离差异，分别检查渐变和突变片段的检测结果。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。