用于 3D 骨架动作识别的通用对比时空表征增强

基于摘要分析（仅有 Highlights，未取得论文全文）。本研究面向 3D skeleton action recognition 中易混淆样本的区分问题，提出 CSRE 框架，将表征分解为空间特异性与时间特异性特征，再用于对比学习，以显式探索潜在数据分布、增强表征判别性；研究对象不是 EEG 或 BCI。 机制与结果：作者将 CSRE 定位为训练阶段的即插即用增强模块，可结合不同 skeleton encoder，并在测试阶段移除。作者报告，在三个基准上，结合 HCN、2S-AGCN、CTR-GCN、BlockGCN 和 Hyperformer 五种方法均取得显著改进。所给材料未提供基准名称、划分协议、指标或具体幅度，因而不能判断“显著”是否指统计显著，也不能据此比较不同方法的绝对性能。特征分解方式、对比样本构造、损失形式、训练成本、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将空间与时间信息分别约束，可能有助于区分时序神经信号中的易混淆模式；但原方法依赖骨架序列的空间与时间结构，其监督方式及数据规模尚未验证。用于 EEG 时，需将关节结构改造为电极布局或通道关系，并核对时间增强是否保留任务信息。可复用候选是训练期对比约束，而非未经验证地照搬骨架特征分解。低信噪比、跨被试差异、通道配置变化及小数据可能使对比目标学习到噪声或个体特征。 一个可证伪的小实验是：在固定 EEG encoder、数据划分及训练预算下，对照原模型与加入空间／时间对比约束的模型，分开报告被试内、跨被试结果，并分别移除两类约束检验贡献。该实验仅为迁移假设，不代表已有 EEG 证据；相关 EEG 工作尚未检索确认。