面向医疗动作评估的多元高斯表征学习

基于摘要分析。研究针对医疗视觉中细粒度动作评估的数据不足、精度要求高及快速动作时空动态建模不足问题，提出多视角、多标签基准 CPREval-6k，以及多元高斯编码框架 GaussMedAct。主要研究对象是视频中的医疗动作与骨架运动，而非 EEG 或 BCI 信号。 CPREval-6k 包含 6,372 段专家标注视频及 22 个临床标签。方法将关节运动投影到经过时间尺度调整的多维空间，并把动作分解为自适应三维高斯 token，通过各向异性协方差建模保留运动语义。Hybrid Spatial Encoding 采用 Cartesian 与 Vector 双流策略，分别利用关节和骨骼特征。摘要将该设计的作用描述为增强时空表征及对时空噪声的鲁棒性；具体参数化、训练目标及高斯 token 的生成方式尚未验证。 作者报告，在 CPREval-6k 上取得 92.1% Top-1 Accuracy，并实现实时推理；相对 ST-GCN，摘要称 Accuracy 提升“+5.9%”、FLOPs 仅为其 10%。其中“+5.9%”未明确指相对百分比还是百分点，不能进一步换算；数据划分、输入配置、计算量统计口径和推理硬件尚未验证。作者还报告 Cross-dataset 实验支持其鲁棒性优势，但摘要未给出目标数据集、协议或具体数值。 该方法依赖具有明确关节位置与骨骼向量结构的输入，不能将其视频动作评估结果直接视为 EEG/BCI 有效性证据。现有材料不足以建立从骨架几何到 EEG 表征的具体对应关系，因此不提出迁移实验方案。实验协议、消融及统计信息尚未验证，相关 EEG 工作尚未检索确认。