语言知识辅助的骨架动作识别表征学习

基于摘要分析。本文研究骨架动作识别中如何利用先验知识辅助表征学习，提出 LA-GCN，将大语言模型（LLM）知识转化为图结构先验与额外监督，以学习更具类别区分性的动作特征。研究对象是骨架运动数据，而非 EEG 或 BCI；摘要中的脑区与认知机制描述属于方法动机，不构成神经机制验证。 方法包含两类知识映射：全局关系先验（GPR）拓扑用于指导生成新的“骨骼”表征，从数据层面强调重要节点信息；类别关系先验（CPR）拓扑由 PC-AC 模块编码，提供额外监督，促使模型学习可区分类别的特征。此外，多跳注意力图卷积同时聚合各节点的 k 阶邻域信息，作者将其用于改善拓扑建模的信息传递效率并加快收敛。摘要未交代具体 LLM、知识提取流程、拓扑构造公式、PC-AC 内部结构或损失形式。 作者报告 LA-GCN 在 NTU RGB+D、NTU RGB+D 120 和 NW-UCLA 上达到当时最优水平，但摘要未提供具体指标、数据划分及对照结果，因此无法核对各评估协议下的优势幅度。实验协议、消融及统计信息尚未验证；复现还需核对语言先验生成方式、骨架预处理、训练配置及实现可用性。 平台推测（待验证）：可迁移的机制假设是以外部知识构造节点关系先验，并用多跳图聚合辅助 EEG 表征学习；但骨架关节与 EEG 电极并不等价，需要重建通道拓扑及其语言知识依据，类别先验监督也需单独验证。低信噪比、容积传导、跨被试差异和小数据可能使固定先验失效。一个可证伪的小实验是在固定 Cross-subject 划分下，以同一 EEG 图模型比较无先验、知识先验与随机拓扑，并仅用训练侧信息选择配置，检验收益是否确实来自知识关系。已有 EEG 相关工作尚未检索确认。