kriging 更新模型与递归时空函数估计

基于摘要分析。本文研究如何从观测数据高效估计随时间变化的空间函数，将时间相关性引入 kriging，提出随机状态方程表示的 kriging update model，并据此构造类似 Kalman filtering 的递归估计方法。原论文的研究对象是一般时空函数估计，应用示例为医学图像中的心脏运动估计，并非 EEG 或 BCI 解码。 核心机制是把空间插值与时间演化统一到状态方程中，同时保留 universal kriging 的关键假设：均值是确定性的，但其具体形式或取值未知。作者通过最佳线性无偏估计推导递归估计，并给出适用于任意空间维度的简洁算法。相较于其他时空 kriging 扩展，作者提出的主要优势是避免估计过程中历史数据不断累积带来的规模增长问题；其具体计算复杂度与成立条件尚未验证。 作者报告使用两组测试函数演示算法，并提供从医学图像估计心脏运动的应用示例。摘要未给出误差指标、对照结果或运行成本，不能据此判断相对于其他时空估计方法的精度与效率提升幅度。实验协议、消融及统计信息尚未验证；复现还需核对全文中的状态方程、空间协方差设定、初始化及未知均值处理方式。 平台推测（待验证）：若将 EEG 电极观测视为头皮空间场的离散采样，该机制可能用于结合空间相关性与时间连续性的在线插值或缺失通道重建，而非直接作为解码模型。可复用的是递归估计框架，需改造的是电极几何表示、观测噪声与时空协方差模型。低信噪比、非平稳伪迹、稀疏通道及跨被试空间差异可能使相关性假设失效，小数据也可能限制协方差估计。一个可检验的小实验是在被试内 EEG 数据中遮蔽部分通道，仅利用当前可见通道和过去观测重建，与逐时刻空间 kriging 在相同划分下比较重建误差及计算开销。相关 EEG 工作尚未检索确认。