状态在基于子空间与 POD 的数据驱动模型降阶方法中的作用

基于摘要分析。本文研究数据驱动投影式模型降阶中如何选择状态序列，重点比较 subspace identification（子空间辨识）与 dynamic mode decomposition（动态模态分解，DMD）。其研究对象是通过包含低阶虚拟状态的回归问题构建精简动力学模型，而非直接提出 EEG 解码方法。 核心机制与贡献：作者指出，两类方法虽然在形式上看似等价，但选择低阶状态的方式存在深刻差异。论文对这些差异作出理论刻画，包括对两种方法隐式使用的一类新状态变换进行参数化，以及直接从数据获得平衡变换。这里的关键是降阶状态如何定义及其对模型表示的影响，不能仅依据相似的回归结构认定两类方法等价。 证据边界：摘要说明以数值示例展示状态选择差异对低阶表示精度的影响，但未提供具体系统、误差指标、对照设置或定量结果。变换成立的条件、数据要求、实验协议、消融及统计信息尚未验证，无法据此判断哪种方法在一般情形下更优。 平台推测（待验证）：若将 EEG 时间序列建模为低阶动力系统，该分析可能有助于检验不同潜在状态构造是否保留了可预测动力学；这一假设不代表已证实的 BCI 收益。可复用的是状态选择与变换的分析框架，需改造的是 EEG 观测构造、状态阶数选择及跨被试、跨通道处理。低信噪比、非平稳性和小数据可能使状态估计不稳定。一个可检验的小实验是在同一 EEG 数据划分、观测窗口和状态阶数下，对比两类状态构造的留出片段预测误差与噪声扰动稳定性；实施前需核对全文适用条件。相关 EEG 工作尚未检索确认。