MedMamba: 将 Mamba 重构为医学时间序列分类器
信号处理
2026-05-08 v1 人工智能
机器学习
摘要
医学时间序列，如心电图（ECG）和脑电图（EEG），呈现出复杂的时序动态和结构化的跨通道依赖关系，这给自动化分析提出了根本性挑战。传统的卷积和循环模型难以捕获长程依赖，而基于 Transformer 的方法则产生二次复杂度，并常引入与生理信号内在结构不符的冗余相互作用。为此提出了 MedMamba——一个面向医学时间序列分类的原理驱动的多尺度双向状态空间架构。我们的设计受制于生理信号的三个关键归纳偏置：空间集中化、多尺度时序组成以及非因果情境依赖。这些原则通过轻量级的通道混合模块实现跨通道重参数化，通过多尺度卷积分词实现时序分解，通过双向 Mamba 块实现线性复杂度的全局上下文建模。广泛的在六个基准数据集（涵盖 EEG、ECG 和人类活动信号）上的实验表明，MedMamba 在各种模态方法上均实现了一致的领先表现。尤其值得注意的是，它在 PTB 数据集上实现了 85.97% 的准确率，并在具有挑战性的 ADFTD 数据集上建立了新的最先进水平（54.72% 准确率和 52.01% F1 分数）。在长序列基准（如 SleepEDF）上的强劲表现进一步验证了其在建模长程依赖方面的能力。此外，MedMamba 在推理时实现了 4.6 倍的加速，凸显了其在临床实时部署中的实用性。这些结果表明，原理导向的状态空间建模为医学时间序列分析提供了一种有效且可扩展的 Transformer 方法的替代方案。
引用
@article{arxiv.2605.05214,
title = {MedMamba: Recasting Mamba for Medical Time Series Classification},
author = {ZhengXiao He and Huayu Li and Xiwen Chen and Janet M Roveda and Jinghao Wen and Siyuan Tian and Ao Li},
journal= {arXiv preprint arXiv:2605.05214},
year = {2026}
}