生理时间序列（如 ECG 与 EEG）具有复杂的时序结构、采集噪声大以及对决策透明度的强需求。深度模型虽能取得高检测率，却难以解释异常片段的成因、局部异常随时间的关联以及是否属于更大的重复模式。Signal2Symbol 提出一种神经符号框架，首先将原始信号映射为符号序列，支持两种方式：学习型 VQ‑VAE（向量量化变分自编码器）码本和基线 SAX（符号聚合近似）方法。随后构建包含二元组信息的 token‑window 事务，通过最小稀有项集挖掘得到稀有项证据并为每个窗口打分。检测到的异常窗口被合并为区间，并利用 Allen 区间代数建立区间之间的时序关系，实现如异常升级链、伪影重叠、跨通道同步等复合解释。进一步引入基于形式概念分析（FCA）的稀有时序概念格，将异常区间按共享稀有符号证据、Allen 关系、通道上下文及鲁棒性属性进行分组，形成 Galois 格子，能够将大量局部检测压缩为可解释的时序‑符号异常族。实验在 MIT‑BIH Arrhythmia（心跳级 ECG）、PTB‑XL（记录级 ECG）和 Bonn EEG（片段级 EEG）三个公开基准上进行，并在加性噪声与基线漂移扰动下进行鲁棒性压测。结果表明神经符号化有助于时序异常分析，Allen/FCA 推理能够提供紧凑且可解释的检测摘要。
点评