FLEXtime：用于解释时间序列的滤波器组学习

基于摘要分析。该研究针对复杂时间序列在时域中难以直观解释的问题，提出 FLEXtime：将逐时间步显著性掩码的解释思路转向基于信号分解的可解释组成部分，通过频带组合解释模型预测。 核心机制是使用一组带通滤波器将时间序列拆分为不同频带，再学习能够最优解释模型预测的频带组合。相较于摘要所述的逐时间步显著性方法，这一方案把解释单位转为频率成分；但“最优解释”的具体目标函数、滤波器参数是否可学习、优化过程及解释生成开销尚未验证，不能仅由标题推断其实现细节。 作者报告，在一系列数据集的评估中，FLEXtime 平均优于所比较的先进解释方法。摘要未列出数据集名称、评估指标、对照方法、具体分数或 EEG 数据划分，因此这一结论不能直接等同于 EEG 或 BCI 场景下的已验证优势。作者将 EEG 和音频列为适用的时间序列类型，并提供了代码地址；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 模型的预测依赖可分辨的频带信息，该方法可能帮助检查模型是否利用了预期频率成分。可复用部分是频带分解与组合解释流程；多通道 EEG 的通道聚合方式、频带设置及解释忠实度评估仍需核对或改造。低信噪比、跨被试频谱差异及滤波引入的信号变化，均可能使频带重要性难以对应真实任务机制。一个可检验的小实验是在固定 EEG 解码器和既定测试划分下，比较移除高重要性频带与移除随机频带对预测的影响，并检验解释的稳定性。相关 EEG 解释工作及其与 FLEXtime 的关系尚未检索确认。