使用概率自适应片段对齐的鲁棒时间序列检索

基于摘要分析。本文研究时间序列检索中的序列相似性度量，提出联合分段与对齐的方法，以片段匹配替代传统逐样本匹配，旨在提高对噪声及局部非因果扰动的鲁棒性。研究对象包括 EEG 与运动序列分类，并非仅针对 BCI 的算法。 核心机制：传统成对序列对齐在时间单调性约束下匹配单个样本；本文将匹配单位扩展为子序列片段，以平均成对距离定义片段间距离，并将该距离纳入修改后的 pair-HMM（PHMM），共同求解两条序列的分段与对齐。作者还提出模型的松弛形式，以改善通用片段式 PHMM 的计算效率。摘要未提供距离的具体公式、概率建模细节、求解流程或复杂度，因此不能进一步确定实现方式。 结果与证据边界：作者报告，在涵盖 EEG 到运动序列分类的多种序列检索问题中，新相似性度量能够改善分类表现，并保持对噪声的鲁棒性。摘要未列出数据集、被试数量、噪声设置、评价指标、对照基线及数据划分，因而无法判断收益幅度，也不能确定结果属于被试内、跨被试或跨会话评估。实验协议、消融及统计信息尚未验证。 复现关注点：应核对片段长度与边界的确定方式、平均成对距离的计算与归一化、PHMM 松弛所引入的近似，以及精度与运行成本之间的权衡。对于 EEG，应先确认原实验的任务、通道处理和检索到分类的决策流程；摘要不足以证明该方法对跨被试差异、通道变化或实际 BCI 解码同样有效。除本材料外，相关 EEG 工作尚未检索确认。