Tensor-CSPNet：用于运动想象分类的新型几何深度学习框架

基于摘要分析。本文针对 EEG 运动想象（MI）分类，探索常规卷积神经网络（CNN）之外的网络架构，提出几何深度学习框架 Tensor-CSPNet，以对称正定（SPD）流形上的 EEG 空间协方差矩阵为核心表征，建模时间、空间与频率模式。 方法的出发点是视觉图像与 EEG 信号的统计特性存在显著差异，因此作者尝试采用更贴合协方差结构的几何建模路径。框架将 EEG 导出的空间协方差矩阵置于 SPD 流形，利用已有的 SPD 流形深度网络，并结合既有 MI-EEG 分类器的设计经验进行优化。摘要未披露时间与频率信息的具体组织方式、网络结构、损失函数及训练细节，不能仅凭方法名称推断其实现。 作者报告，在两个常用 MI-EEG 数据集的交叉验证与留出评估场景中，Tensor-CSPNet 达到或略优于当时最先进方法的性能；作者还报告，可视化与可解释性分析支持该框架用于 MI-EEG 分类的有效性。摘要未给出数据集名称、被试数量、具体指标及数值，也未说明上述评估是否属于被试内、跨被试或跨会话协议，因此不能据此判断其跨被试泛化能力或量化性能增益。 复现时需核对协方差估计与 SPD 性质的保障方式、时空频率表征构造、数据划分和对照基线配置。完整实验协议、消融及统计信息尚未验证；摘要中的可解释性结论也需结合全文分析方法与证据范围审视。