基于状态空间模型的医学点云分层特征学习

基于摘要分析。该研究面向医学点云理解，提出基于状态空间模型（SSM）的分层特征学习框架，并构建 MedPointS 数据集，用于解剖分类、点云补全和分割。原论文的主要研究对象是医学点云的几何结构，而非 EEG 或 BCI 信号。 核心机制是通过最远点采样将输入点云下采样为多个层级，在各层执行一系列 k-nearest neighbor（KNN）查询，聚合多尺度结构信息。为使 SSM 处理不规则点集，作者引入 coordinate-order 与 inside-out 扫描策略进行序列化；随后通过 vanilla 和 group Point SSM blocks，逐步从短邻域序列与长点序列计算特征，以捕获局部模式和长程依赖。具体扫描规则、模块结构、损失函数及训练配置尚未验证。 作者报告，在 MedPointS 的解剖分类、补全和分割任务上，该方法均取得优于对照的表现，但摘要未提供指标数值、对照方法、样本规模或划分协议，不能据此量化优势。实验协议、消融及统计信息尚未验证。摘要提供了数据集获取地址，并说明代码已合并至公开医学影像平台 flemme；可复现性仍需核对数据版本、预处理、配置与运行环境。 平台推测（待验证）：其可迁移机制可能是利用空间邻域聚合与点集序列化处理不规则 EEG 电极布局，对应跨设备通道位置不一致的建模问题，而不是直接移植医学点云任务。该假设依赖可用的电极坐标及相应信号数据；可复用邻域构建和扫描思路，但需改造输入特征、时间建模及任务监督。EEG 低信噪比、稀疏通道、跨被试差异和小数据规模可能使几何邻近关系失去预测价值。可检验的小实验是在固定 EEG 数据划分、通道配置和训练预算下，仅比较坐标扫描与随机排序，检查效果及其在通道删减后的稳定性。已有 EEG 相关工作尚未检索确认。