Kapture：通过 Koopman 支配学习捕捉心脏动态，实现高效的雷达 ECG 恢复

基于摘要分析。Kapture 针对毫米波（mmWave）雷达非接触式 ECG 重建中，时频谱虽保留细致心脏模式、却需较大骨干网络分离呼吸、运动、多径及个体差异干扰的问题，引入低维 Koopman 动力学约束，以提升参数效率与重建质量。 机制上，该方法将雷达隐藏状态投影到低维可观测空间，从相邻可观测状态识别一个带正则化的完整线性演化算子，再用该算子预测的可观测量细化后续隐藏状态，服务于 ECG 重建。作者采用拉近相邻状态、分离非相邻状态的时序对比目标，意在抑制可预测的干扰动态，同时以重建监督维持任务相关性。具体正则项、对比样本构造及损失权重尚未验证；尤其需核对该目标如何区分同样具有时间连续性的心脏信号与干扰。 作者报告，在约 80 分钟、包含身体运动等真实噪声的准静态雷达–ECG 记录上，Kapture 在匹配骨干宽度的比较中持续改善重建，且强压缩条件下收益最大。作者报告，紧凑配置接近全宽参考配置的重建准确性，同时参数减少 68.1%，性能分析器覆盖范围内的浮点运算量（FLOPs）减少 91.3%；全宽配置取得最强的整体重建表现。摘要未给出具体重建指标、被试数量及数据划分，不能将这些结果解释为跨被试泛化或实际设备上的时延收益。实验协议、消融及统计信息尚未验证。作者表示代码将在可能发表后公开，当前材料不能确认代码已可用。 平台推测（待验证）：迁移假设是，低维线性动力学约束可作为 EEG 重建或去噪的辅助模块；可复用可观测空间投影与演化预测，但需改造雷达时频前端及 ECG 重建监督。其有效性依赖相邻状态的动力学结构和足够的任务监督；EEG 的低信噪比、非平稳性、被试与通道差异及小样本可能使算子学习到伪迹，或平滑掉短暂 ERP。一个可检验的小实验是在固定划分与匹配骨干宽度下，对比 EEG 重建基线和加入该模块的版本，检查重建误差、ERP 波形保真度及计算成本。已有 EEG 相关工作尚未检索确认。