PLanTS：面向多变量时间序列的周期感知潜在状态表征学习

基于摘要分析。PLanTS 面向高维、标注有限且非平稳的多变量时间序列，提出周期感知自监督表征学习框架，旨在同时刻画不规则潜在状态及其动态转移；原论文的研究对象是通用多变量时间序列，并非专门的 EEG 或 BCI。 方法包含三个相互配合的部分：周期感知的多粒度切片机制，在多个时间分辨率上组织序列；广义对比损失，同时保留实例层面与状态层面的相似性；下一次状态转移预测预训练任务，促使表征编码未来状态演化的预测信息。摘要未说明周期估计、潜在状态定义、正负样本构造及损失组合的具体实现，尚不能判断其对周期漂移与不规则状态持续时间的处理方式。 作者报告，在多类别分类、多标签分类、预测、轨迹跟踪和异常检测等下游任务中，PLanTS 相较现有自监督方法改善了表征质量，并在运行效率上优于基于 DTW 的方法。摘要未提供数据集、划分协议、基线名称、指标数值或计时条件，实验协议、消融及统计信息尚未验证，不能据此判断收益幅度与适用边界。 平台推测（待验证）：其可检验的迁移假设是，周期感知切片与状态转移预测可能帮助 EEG 表征同时利用节律结构和动态变化。可考虑复用多粒度切片及辅助预测任务，但需针对采样率、通道布局和节律随被试、会话变化的特点改造周期估计与状态构造；低信噪比、伪迹、弱周期性及小数据可能使模型学习到非任务相关规律。一个小规模检验是在固定跨被试划分和标注预算下，分别加入周期感知切片与转移预测，对照相同骨干的自监督基线，并核对周期估计是否仅使用训练数据。该机制相关的已有 EEG 工作尚未检索确认。