用于医学时间序列分类的上下文条件化 Token 化

基于摘要分析。该研究针对医学时间序列中的局部判别模式依赖相邻波形及整体生理状态、而传统 token 形成可能过早压缩细粒度线索的问题，提出上下文条件化 token 形成框架 ReConTok，将上下文信息直接引入特征聚合过程，而非仅依赖后续 Transformer 建模。 核心模块 Context-guided Token Gating and Fusion（CoTGF）联合利用当前局部表示、邻域上下文与全局摘要，对细粒度特征进行条件化门控与融合。同一机制用于时间 token 和通道 token，后续 Transformer 交互保持不变。其主要方法区别在于改变 token 形成时的信息利用方式，而不是改造后续交互模块；具体门控函数、上下文构造、训练目标及计算开销尚未验证。 作者报告，在五个 EEG/ECG 数据集的评估中，ReConTok 在其中四个数据集上取得所比较方法中的最佳 F1，并在 Recall 上呈现一致优势。摘要未提供数据集名称、各项分数、对照方法及被试内、跨被试或跨会话划分，因此不能据此判断增益幅度或跨被试泛化能力。作者还报告了受控 tokenizer 对比、短窗口与长窗口实验及鲁棒性分析，但具体扰动条件、消融和统计信息尚未验证。 该工作已直接涉及 EEG 分类，但摘要未明确具体 EEG 任务，不能将其结果等同于 MI、SSVEP 或其他 BCI 任务上的有效性。复现时需核对时间与通道 token 的构造、邻域与全局摘要的生成方式，以及各对照的训练和数据划分是否一致。作者称代码位于补充材料，代码内容及可运行性尚未验证。