GaitMixer：通过宽频谱多轴混合器进行基于骨架的步态表征学习

基于摘要分析。本文研究基于骨架序列的步态识别，提出 GaitMixer，通过异构多轴混合架构学习更具判别力的步态表征，旨在缩小骨架方法与基于外观的方法之间的性能差距，研究对象并非 EEG 或 BCI。 现有外观方法主要依赖行走视频中的人体轮廓；骨架方法则直接从 2D/3D 人体骨架序列学习步态动态。摘要认为，后者理论上对服装、发型和携带物造成的外观变化更稳健，但识别性能仍落后于外观方法。GaitMixer 依次采用空间自注意力混合器和时间大核卷积混合器，以提取步态特征图中的多频率信号。摘要未给出具体损失、网络规模、骨架提取流程或训练配置。 作者报告，在 CASIA-B 上，GaitMixer 明显优于此前的骨架步态识别方法，并与代表性的外观方法具有竞争力。摘要未提供具体指标、数值、数据划分及对照配置，因而无法量化优势或判断不同条件下的稳健性；实验协议、消融及统计信息尚未验证。作者表示将公开代码，当前可用性尚未确认。 平台推测（待验证）：其空间交互与时间多频率建模的分工可作为 EEG 时空表征的研究假设，但原方法依赖人体关节序列，监督方式与训练规模尚未明确。潜在可复用部分是空间注意力和时间大核卷积；需将关节空间关系改造为电极空间关系，并匹配 EEG 采样率与时间尺度。低信噪比、跨被试差异、通道布局变化及小数据可能使该机制失效。可在固定的 Cross-subject EEG 划分上，以一致训练配置比较时空混合器与单独空间或时间模块，检验组合是否带来稳定收益。相关 EEG 工作尚未检索确认。