面向骨架动作识别的双空间表征学习

基于摘要分析。本文研究基于三维骨架运动序列的动作识别，提出融合双曲空间与欧氏空间特征的双空间表征学习方法，以建模人体关节在运动中的非线性关联；主要研究对象不是 EEG 或 BCI。 核心机制：作者认为，直接在欧氏空间中学习可能不足以表达人体关节间复杂的非欧氏关联，因此将运动序列表征到双曲空间，利用其几何性质捕获人体运动的潜在结构，再结合欧氏空间运动特征，兼顾非线性关节关联与姿态描述。摘要未提供双曲空间映射、特征融合、损失函数、训练与推理的具体实现，亦不足以确认其是否采用 State space models；来源栏目不能作为模型结构证据。 结果与证据边界：作者报告，该方法在 NTU RGB+D 60、NTURGB+D 120 和 NW-UCLA 数据集上取得 state-of-the-art 表现。摘要未给出指标、数值、数据划分及对照基线，故无法比较不同评估协议下的效果，也无法判断增益主要来自双曲表征还是融合机制。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 通道或脑区间关系具有适合双曲几何表达的层级结构，双空间表征可能帮助建模跨通道关联。但骨架关节具有明确的解剖连接与运动语义，不能直接等同于 EEG 通道关系。可考虑复用双空间表征与融合思路，而输入编码、关系构建及任务监督需要改造；低信噪比、通道配置差异、跨被试变化及小数据规模可能使几何结构估计不稳定。一个可检验的小实验是在固定 EEG 数据划分和监督条件下，比较欧氏单空间、双曲单空间与双空间融合，并控制模型容量，检验融合是否带来稳定增益。相关 EEG 工作尚未检索确认。