HALO：将运动表征学习为相对信号统计量的受控偏移

基于摘要分析。本文研究可穿戴惯性传感器在不同被试、佩戴位置和设备间的运动表征迁移，提出 HALO（Handcrafted Anchors, Limited Offsets）：以手工信号统计表征为锚点，学习受限偏移，而非重新构建完全独立的特征空间。其主要研究对象是运动传感信号，并非 EEG 或 BCI。 机制上，HALO 是一个含 0.16M 参数的编码器，预测零初始化、由输入条件化的偏移，并以可解释半径限制表征偏离统计锚点的距离。调整半径可从单次前向计算获得一组表征。作者在合成运动世界 HAR-CAUKER 中预训练，使用物理耦合的惯性信号渲染及仅模拟器可提供的因素监督，随后冻结编码器，在真实数据上评估。具体统计量、偏移约束形式、监督目标与训练细节尚未验证。 作者报告，在 14 个公开数据集上，HALO 在跨被试、跨位置和跨数据集协议下的汇总排名均为第一，相对最强外部对照的 macro-F1 分别高 0.6、11.0 和 9.0 分；在全部六个跨位置方向中排名第一，并在 13 个留出数据集中的 9 个上排名第一。作者还报告，在不拟合分类器的评估中，跨位置和跨数据集 Recall@1 分别比 MantisV2 高 9.7 和 8.6 分；打乱学习到的偏移方向后，相应指标下降 15.9 和 20.0 分。该对照支持偏移方向包含与输入匹配的可迁移结构，但不能单凭摘要确定其对各类域变化的适用边界。数据集名称、划分、对照配置、汇总方式及统计不确定性尚未验证。 平台推测（待验证）：统计锚点与有界修正的组合，可能用于检验 EEG 跨被试或跨会话表征是否受益于保留稳定统计先验。可复用的是锚点与偏移约束思想；需改造 EEG 统计特征、通道对齐及预训练监督，不能直接沿用惯性运动模拟器。假设风险在于低信噪比下锚点可能保留伪迹，通道变化会破坏统计对应，小数据可能使偏移学习不稳定。一个小规模可证伪实验是：在固定 EEG 跨被试划分和相同分类器下，对比纯统计锚点、有界偏移及无界偏移，并扫描半径，检验收益是否稳定。已有相关 EEG 工作尚未检索确认。