NeurOCNN：基于神经算子的生理时间序列模型

基于摘要分析。该研究针对生理时间序列的高度非平稳性与局部瞬态事件，提出神经算子模型 NeurOCNN，学习从信号函数到标签的映射。其核心贡献是结合连续时间、样条参数化卷积与 Fourier projection pooling，以处理局部形态和可变采样维度，并支持零样本采样率变化下的推理。 机制上，连续时间、样条参数化卷积用于捕获局部波形形态，Fourier projection pooling 将可变维度表示映射到固定维度。研究将神经算子从常见的 PDE 解算子学习转向生理信号分类，并以离散化不变性为目标。具体样条形式、Fourier 投影方式、损失函数、训练采样率与输入预处理尚未验证。 作者报告，NeurOCNN 优于标准神经算子基线，性能与当前先进方法相当，并在多个此前未见的评估采样率下保持稳定 Accuracy。摘要未提供信号模态、数据集、被试数量、划分方式、基线名称或具体数值，因此不能确认其 EEG 适用性，也不能判断结果属于被试内、跨被试或跨会话评估。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现完整性及复现条件尚未核对。 平台推测（待验证）：若用于 EEG，该机制可能对应不同设备或数据集采样率不一致的瓶颈，但采样率鲁棒性不等同于跨被试或跨设备泛化。可考虑复用连续时间卷积与固定维度投影，适配 EEG 通道组织、时间窗及预处理；低信噪比、通道变化、小数据和重采样造成的频谱变化均可能使迁移失败。一个可证伪的小实验是：固定被试与训练/测试划分，仅在训练采样率上训练，将同一测试信号以规范抗混叠流程转换到未见采样率，比较 NeurOCNN 与常规卷积基线的 Accuracy 变化，以隔离采样率因素。已有相关 EEG 工作尚未检索确认。