MOSAIC：用于医学时间序列分类的可微相位–振幅耦合 Transformer

基于摘要分析。MOSAIC 面向 EEG 与 ECG 医学时间序列分类，将相位–振幅耦合（PAC）估计纳入端到端可微学习，使决定耦合可检测性的频带参数能够随分类目标共同优化，而非依赖离线计算的固定频带 PAC 特征。 PAC 描述慢节律相位对快节律振幅的调制。MOSAIC（Multi-Oscillatory Signal Attention with Integrated Coupling）在频谱上应用可学习 Gaussian 滤波器组，使梯度能够传至频带参数；通过基于 FFT 的 Hilbert 变换提取瞬时振幅与相位，再以软相位分箱振幅直方图保留调制分布形状，而不将其压缩为单一标量。所得 PAC tokens 输入跨频带 Transformer，用于学习哪些耦合频带对与分类相关。其核心方法贡献是将频带选择、耦合表征与分类联合优化。 作者报告，在三个被试独立的 EEG 与 ECG 基准上，联合学习频带与耦合表征所得 macro-F1 为固定频带 PAC 特征对照的 1.2–1.6 倍；相较十一种已发表的 Transformer 基线，MOSAIC 在三个基准的 Accuracy、Recall 与 macro-F1 上均取得最高结果。这些结论限于摘要描述的评估范围，不能据此推断其在其他 EEG 任务或 BCI 场景中的效果。 摘要未提供基准名称、任务类别、被试数量、具体划分、绝对指标及统计不确定性。复现时需核对被试独立划分及预处理流程、固定频带对照配置、可学习频带与直方图表征各自的贡献，以及基线评估条件是否一致；实验协议、消融及统计信息尚未验证。代码、训练配置与计算开销的可得性亦尚未验证。