MedMamba：基于自适应图学习的多视角状态空间模型用于医学时间序列分类
机器学习
2026-05-26 v1
摘要
医学时间序列是医疗保健的核心，使能够持续监测并支持及时的临床决策。尽管近期进展显著，但现有方法在联合建模局部-全局动力学和处理非平稳性（如基线漂移）方面仍有挑战，常常未能捕获潜在的通道相互作用。为此，我们提出MedMamba，一种集成状态空间模型与领域特定归纳偏置的端到端架构。具体而言，MedMamba首先采用多尺度卷积嵌入捕获判别性局部形态。其次，为缓解非平稳性，我们引入三分支差分状态空间编码器，分别处理原始序列、时间差分和频率域视图，对其进行融合，以突出信息丰富的模式同时抑制漂移。进一步，为揭示潜在的通道相关性，我们设计了空间图Mamba模块，学习一种向稀疏性和无环性正则化的有向依赖结构，从而无需预定义图。广泛的实验表明，MedMamba在五个真实数据集上实现了状态-of-the-art性能，同时保持线性计算复杂度，消融研究验证了每个组件的贡献。代码已公开于 https://github.com/zhangda1018/MedMamba。
引用
@article{arxiv.2605.24961,
title = {MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification},
author = {Da Zhang and Bingyu Li and Zhiyuan Zhao and Hongyuan Zhang and Junyu Gao and Xuelong Li},
journal= {arXiv preprint arXiv:2605.24961},
year = {2026}
}
备注
Accepted to 2026 ICML