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

基于摘要分析。本文研究 EEG、ECG 等医学时间序列的分类问题，提出 Medformer，通过跨通道分块、多粒度嵌入与两阶段自注意力联合建模通道关联及不同尺度的特征。其主要研究对象是医学信号分类及疾病诊断应用，并非直接验证 BCI 控制或交互任务。 核心机制包括：跨通道分块利用通道间相关性；多粒度嵌入捕获不同尺度的特征；粒度内与粒度间两阶段自注意力学习各粒度内部及不同粒度之间的特征关联。摘要将手工生物标志物提取及 CNN 方法作为研究背景，但未提供具体分块长度、通道组织方式、注意力实现、损失函数或训练配置，这些细节尚未验证。 作者报告，在五个公开数据集上分别进行 subject-dependent（被试内）与 subject-independent（跨被试）设置的实验，与 10 个基线比较，在全部六项评估指标上均取得跨五个数据集的最佳平均排名。摘要未列出数据集名称、指标名称、具体分数及各设置对应的结果，因此不能据此推断 Accuracy 提升幅度，也不能认定其在每个数据集和每种协议下均最优。作者将结果关联到心肌梗死、阿尔茨海默病与帕金森病等诊断应用；这不等于已完成临床验证。 复现方面，作者声明已公开源代码，但代码可运行性、预处理流程、被试划分、消融及统计信息尚未验证。阅读全文时应重点核对跨通道分块如何适配不同通道配置，以及各粒度模块在被试内与跨被试条件下的独立贡献。 平台推测（待验证）：若目标 EEG 任务同时依赖空间通道关联与多时间尺度信息，该机制可能值得复用；这是假设，不是已证实的 BCI 效果。可复用多粒度嵌入与两阶段注意力，需按目标采样率、通道配置和时间窗改造分块模块。低信噪比、跨被试差异、通道不一致及小数据可能削弱收益。一个可检验的小实验是在固定预处理与跨被试划分下，对比完整模型、单粒度版本及不采用跨通道分块的版本，并保持训练预算一致。除本材料外，相关 EEG 工作尚未检索确认。