Medformer：用于医学时间序列分类的多粒度分块 Transformer

基于摘要分析。该研究针对 EEG、ECG 等医学时间序列的分类问题，提出 Medformer，以跨通道关联和多时间尺度特征为建模对象。其主要贡献是将跨通道分块、多粒度嵌入及两阶段多粒度自注意力整合到 Transformer 中，用于医学时间序列分类，而非专门面向 BCI 控制或解码任务。 机制上，跨通道分块用于利用通道间相关性；多粒度嵌入用于捕获不同尺度的特征；两阶段自注意力分别学习粒度内部及不同粒度之间的特征与关联。摘要未提供分块长度、通道组织方式、注意力实现、训练目标或模型规模，尚不能判断各机制的具体实现与计算开销。 作者报告，在五个公开数据集上分别采用被试依赖和被试独立设置，与 10 个基线比较，Medformer 在六项评估指标上均获得跨五个数据集的最佳平均排名。该结论属于多数据集综合排名，不等于每个数据集、每项指标均最优；摘要未列出数据集名称、指标名称、具体分数及排名汇总细节。作者将应用场景关联至心肌梗死、阿尔茨海默病及帕金森病诊断，但不能据此认定其已获得临床有效性验证。 作者提供了源码链接，为复现提供了入口；代码内容、数据划分、预处理、被试隔离方式、超参数、消融及统计信息尚未验证。评估其 EEG 研究价值时，应重点核对不同通道配置与时间尺度下的收益，以及被试独立设置中的具体结果，避免将综合排名直接解释为跨被试 BCI 性能提升。