用于医学时间序列分类的层次化拓扑感知稀疏注意力

基于摘要分析。该研究针对医学时间序列中时间依赖与通道间依赖结构不同、分布不均匀的问题，提出稀疏注意力框架 TopoAttn，将分支特定的交互结构与局部到全局的层次化通信结合，用于医学时间序列分类；主要评估对象包括 EEG 和 ECG，并扩展至人体活动识别。 机制上，通道分支依据训练集上基于 Fast Fourier Transform（FFT）的频谱相似性形成分组，由分组决定直接交互；时间分支则将交互限制在局部时间邻域。可学习枢纽负责协调跨组信息，使局部稀疏交互能够与更大范围的信息通信结合。框架还引入基于 Mixture-of-Experts（MoE）的时间嵌入及被试引导增强，以丰富互补的分支表征；其具体实现、监督信息使用方式及推理条件尚未验证。 作者报告，在五个 EEG 与 ECG 数据集的被试独立五折评估中，TopoAttn 在所比较方法的 30 项数据集—指标组合中有 27 项取得最佳结果。摘要未给出数据集名称、各指标定义、绝对分数及差异幅度，不能据此判断具体 EEG 任务上的收益大小。作者还报告，消融与敏感性分析支持结构化稀疏交互及分支特定分组的收益不只来自稀疏性本身；在另外两个人体活动识别数据集上，所有所评估指标均取得最佳结果。 复现时需核对频谱相似性与分组的计算流程、枢纽通信方式、被试引导增强所需信息，以及各折数据划分和对照设置。更具体的实验协议、消融及统计信息尚未验证。摘要称代码将在论文接收后发布，这不代表当前已接收或代码已公开。现有材料支持其作为 EEG 分类结构设计的研究线索，但尚不能确认其在具体 BCI 范式、跨会话或跨数据集条件下的适用性。