利用协同非均匀感知数据进行超越 Nyquist 频率的状态空间系统辨识

基于摘要分析。本文研究连续时间过程在多采样率输入输出条件下的系统辨识，提出利用互质协同感知汇集的非均匀数据构建提升状态空间模型，再恢复单采样率系统。其主要对象是控制与系统辨识中的动力学模型，而非用于序列学习的神经网络 State Space Models。 机制上，系统包含采样周期分别为 n₁T、n₂T 的多个输出采样器，以及周期为 mT 的输入零阶保持器。方法扩展子空间系统辨识，建立描述多采样率动力学的提升状态空间模型，随后通过特征值分解提取单采样率系统。摘要将互质协同采样作为组织非均匀观测的关键机制，但未给出互质约束的具体形式、可辨识性条件及频率恢复范围，不能将标题理解为任意单路低采样率数据均可无条件恢复高频动力学。 作者报告通过不同阶数与不同系数的示例检验方法有效性；摘要未提供误差指标、噪声条件、对照方法或量化结果。实验协议、消融及统计信息尚未验证，复现还需核对采样时序、模型阶数选择、特征值映射条件和数值实现。 平台推测（待验证）：若 EEG 研究涉及已知刺激输入、同步但不同采样率的观测，以及可用状态空间形式近似的动力学，该方法可能为多速率系统辨识提供参考，而不是直接提供分类或解码算法。可考察复用采样时序建模与子空间辨识步骤，但需核对多通道观测关系，并处理噪声、非平稳性和跨被试差异。低信噪比、有限数据及不准确的时钟同步可能使恢复不稳定。一个可证伪的小实验是在已知动力学的模拟输入输出数据上，比较互质非均匀采样与匹配观测预算的均匀采样，并逐步加入 EEG 风格噪声，检验动力学恢复误差；这不构成 EEG/BCI 有效性证据。相关 EEG 工作尚未检索确认。