LCwmcaR：面向人体活动识别的跨窗口、跨模态相关性感知表征学习

基于摘要分析。该研究面向人体活动识别（HAR），针对信号空间分布及空间–时间依赖建模不足、独立滑动窗口表征可能出现感知混淆或特征不一致的问题，提出跨窗口、跨模态相关性感知框架 LCwmcaR。其主要贡献是结合时间与空间建模、可学习时间二维化，以及跨窗口表征交互，而非直接研究 EEG 或 BCI。 机制方面，LCwmcaR 采用双分支网络，分别以 Mamba 建模时间信息、以 CNN 建模空间信息。可学习时间二维化策略 LT2D 将低层时间模式编码为高层、可学习的类图像二维空间表征，以整合局部与全局空间–时间依赖。CrwcaFRGen 模块则在注意力层面关联同一批次内多个窗口的表征，旨在为分类器生成更稳健的特征。摘要未说明具体传感模态、分支融合方式、损失函数及跨窗口关系的构建规则。 作者报告，在四个公开数据集上的实验中，LCwmcaR 大幅优于 SOTA 方法；但摘要未提供数据集名称、评价指标、数值、划分协议或对照配置，因而尚不能核对优势幅度及适用范围。实验协议、消融及统计信息尚未验证。复现时需重点核对批内窗口的来源与顺序、训练和推理时可用的窗口上下文，以及性能对批次组织方式的依赖。 平台推测（待验证）：其可学习二维化与跨窗口交互机制，可能对应连续 EEG 中局部模式与长时上下文联合建模的需求。可复用候选是时间/空间双分支及跨窗口交互模块，但需改造 EEG 通道拓扑、窗口定义及数据划分；低信噪比、跨被试差异和小样本可能使窗口关联学习到个体或采集条件，而非任务信息。一个可检验的小实验是在固定 EEG 任务、相同划分与训练预算下，对比单窗口基线、仅加入二维化、再加入跨窗口交互的版本，并检验不同推理批次组成下性能是否稳定。该假设不等于已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。