DPIKAN：用于生理信号表征学习的分解式物理信息 KAN

基于摘要分析。该研究针对不同传感模态对潜在心血管动力学提供间接且模态相关观测的问题，提出 Decomposed Physics-Informed Kolmogorov–Arnold Network（DPIKAN），以多尺度波形建模和心血管描述符引导融入生理先验，主要验证任务是血压估计，而非 EEG 解码或 BCI。 机制上，DPIKAN 将生理信号分解为快速与缓慢变化分量，通过 dual-order KAN 为不同分量配置相应的函数表达能力；另通过 physics-informed KAN 整合心血管描述符，并对预测随描述符变化的响应施加正则约束。摘要未给出分解方法、dual-order 的具体定义、描述符清单及正则项数学形式，不能据此确定其是否使用显式心血管动力学方程。 作者在覆盖 PPG、BioZ 和 mmWave 传感的四个数据集上评估血压估计，并引入在受控心血管扰动期间采集的智能戒指 PPG 数据集 Ring-HGCPT。作者报告，在 Ring-HGCPT 的留一被试交叉验证中，SBP 与 DBP 的平均误差分别为 1.08 和 0.09 mmHg，对应误差标准差分别为 5.41 和 4.81 mmHg；这些数值不是平均绝对误差。作者称其在异构传感设置下表现具有竞争力，但摘要未提供各数据集的具体基线及比较结果。 复现需核对被试规模、血压参考测量方式、窗口构建与划分、预处理、模型容量、描述符获取条件，以及分解和正则约束各自的贡献；实验协议、消融及统计信息尚未验证。作者表示将发布代码和数据，当前材料不能确认已开放。该方法依赖心血管波形结构与描述符，不能直接视为通用神经信号方法；其 EEG/BCI 适用性尚未验证，相关工作尚未检索确认。