Persistence Images：一种替代性的持续同调表示

基于摘要分析。本文研究如何将持续同调产生的 persistence diagram（PD）转为适合机器学习的表示，提出有限维向量表示 persistence image（PI），并证明该变换对输入小扰动的稳定性。原论文主要面向一般数据的拓扑表征，以及动力系统输出的参数推断，并非 EEG 或 BCI 研究。 持续同调用于描述数据在多个尺度上的同调特征，PD 则记录这些拓扑信息。PI 的核心贡献是将 PD 映射到具有向量结构的空间，使其能够与线性稀疏支持向量机等工具结合，并识别具有判别力的拓扑特征。摘要未交代具体映射公式、权重、离散化方式及稳定性定理的适用条件，相关细节尚未验证。 作者报告，相较既有方法，PI 的判别表现显著提升；作者还报告，可利用 linked twist map 和 anisotropic Kuramoto-Sivashinsky equation 的动态输出，高准确度地推断系统参数。摘要未提供具体指标、对照方法、样本规模或划分协议，实验协议、消融及统计信息尚未验证，不能据此判断提升幅度或跨任务泛化能力。 平台推测（待验证）：若 EEG 片段能够通过合理的点云、时延嵌入或连接结构形成 PD，PI 可作为固定维度拓扑特征，供简单分类器使用；这一假设对应的是变长拓扑描述难以直接接入向量模型的问题，而非已证实的 EEG 解码改进。可复用 PD 到 PI 的表示环节，但需针对 EEG 选择预处理、拓扑构造与尺度参数；低信噪比、通道配置变化和跨被试差异可能使拓扑特征主要反映噪声或个体差异，小数据下也可能过拟合。一个可检验的小实验是在固定 EEG 任务和相同被试内划分下，用相同分类器比较 PI 特征与预设非拓扑特征，并仅在训练数据内选择超参数，检验增益及对噪声扰动的敏感性。已有 EEG 相关工作尚未检索确认。