时间是连续的，为何分块？用于 ECG 的无 token 化状态空间模型

基于摘要分析。本文研究 ECG 基础模型中 token 化与固定长度输入对连续时间信号建模的限制，探索以 State-Space Models（SSMs）直接编码原始信号、避免人为分块的架构路径。其主要贡献是将固定长度分类评估与截断、长信号评估结合，考察模型面对输入长度变化时的稳健性。 机制与结果：作者认为，填充和滑动窗口等固定长度处理策略可能扰动信号的连续时间动态，并采用一个简单的 SSM 编码器进行验证。作者报告，在标准固定长度 ECG 基准上，该编码器的分类表现可与最先进基线竞争；在截短信号及长信号的进一步评估中，性能退化显著更小。摘要未提供数据集名称、划分方式、具体基线、指标或数值，因此这些结果不能用于量化优势，也不能与其他实验协议直接比较。“无 token 化”不等于连续时间建模已得到数学证明，具体状态更新、采样处理和长度适配机制仍需核对全文。 复现关注点：编码器结构、训练目标、监督方式、数据规模、截断策略、长信号标签定义，以及基线如何处理变长输入均尚未验证；实验协议、消融及统计信息尚未验证。摘要讨论了 ECG 基础模型的架构问题，但不足以确认其是否发布预训练权重。 平台推测（待验证）：假设 SSM 的状态传播能减少分窗对时序依赖的切断，该机制可能对应 EEG 连续记录和变长输入的建模瓶颈。可复用的是原始时序编码思路，需改造多通道输入、采样率适配和任务读出；低信噪比、跨被试差异、通道变化与小样本训练可能削弱收益。一个可检验的小实验是在固定跨被试划分下，对 SSM 与固定分窗基线使用一致的训练数据、预处理及分类指标，比较不同截断长度下的性能退化。该假设不构成已证实的 EEG 或 BCI 效果，已有 EEG 相关工作尚未检索确认。