面向事件式可穿戴任务转换检测的时间感知与可解释自注意力

基于摘要分析。本文研究可穿戴行为与生理信号中的任务转换检测，即识别个体何时从一项任务切换到另一项任务，而非直接研究 EEG 解码或 BCI。作者提出事件式时间感知自注意力框架，将信号表示为具有明确语义的离散事件，并显式纳入事件起始时间与持续时长，以改善任务转换分类及其行为层面的可解释性。 机制上，框架采用参数高效的核表示编码事件时间，并以类型感知的持续时长嵌入，根据事件持续性调节信息传播。相较主要依赖 token 顺序的常规自注意力，其重点是利用离散事件之间的实际时间关系及持续时长，而不只是事件排列。摘要未提供核函数、嵌入形式、事件提取规则或训练损失，具体实现尚未验证。 作者报告，在一个半自然情境可穿戴数据集上，该方法优于已有事件式方法；相较统计特征及深度学习模型，以更紧凑的输入表示取得更好或相当的性能，并通过基于 Integrated Gradients 的分析改善可解释性。摘要未给出数据集名称、传感器类型、被试规模、划分协议、指标或数值，因此不能据此判断跨被试泛化、在线检测延迟或实际部署可靠性；实验协议、消融及统计信息尚未验证，归因结果是否对应稳定的行为机制也需核对全文。 平台推测（待验证）：若 EEG 任务可被可靠转换为具有起始时间、持续时长和事件类型的序列，该时间编码与持续时长嵌入可能用于检验事件间隔及持续性是否有助于状态转换检测。可复用的是注意力中的时间建模模块，需改造的是 EEG 事件提取与任务标签对齐；低信噪比、跨被试事件定义不稳定及小数据条件可能放大事件提取误差。一个可证伪的小实验是在固定事件提取规则与被试划分下，对比仅事件顺序、加入起始时间、再加入持续时长的模型，并控制参数量，检验增益是否稳定。已有 EEG 相关工作尚未检索确认。