KineST：用于稀疏信号人体运动追踪的运动学引导时空状态空间模型

基于摘要分析。该研究面向 AR/VR 中由头戴式显示设备采集的稀疏信号重建全身姿态，提出运动学引导的时空状态空间模型 KineST，旨在兼顾姿态精度、时间一致性与计算效率；其主要研究对象是人体运动追踪，而非 EEG 解码或 BCI。 方法包含三个明确机制：一是在 State Space Duality 框架中采用运动学引导的双向扫描，将运动学先验嵌入关节关系建模；二是通过混合时空表征学习紧密耦合空间与时间上下文，并整合局部与全局姿态信息；三是引入几何角速度损失，对旋转变化施加具有物理意义的约束，以改善运动稳定性。摘要未给出扫描顺序、先验编码方式、表征融合结构或损失公式，这些实现细节尚未验证。 作者报告，广泛实验显示 KineST 在轻量化框架下具有较好的精度与时间一致性表现，但所给材料未列出数据集、输入信号构成、训练与测试划分、对照方法、评价指标或具体数值，因此无法量化优势，也不能比较不同协议下的结果。实验协议、消融及统计信息尚未验证；复现还需核对计算开销、延迟、训练配置与代码可用性。 平台推测（待验证）：可供 EEG 方法研究借鉴的假设是“结构先验引导扫描与联合时空建模”，而非人体运动学约束本身。EEG 通道结构不等同于关节运动链，几何角速度损失也不能直接照搬；迁移需要重构通道先验与任务损失，且可能受低信噪比、跨被试差异、通道布局变化及小数据过拟合影响。一个可检验的小实验是在固定 EEG 数据划分与相同训练预算下，对比普通扫描和电极空间先验引导扫描，并通过消融判断增益是否来自扫描先验。该实验仅是迁移假设，已有 EEG 相关工作尚未检索确认。