使用黎曼度量与 Transformer 网络对 EEG 信号进行自动睡眠分期

基于摘要分析。该研究针对 EEG 睡眠分期依赖人工评分、脑区间协方差信息利用不足的问题，扩展作者此前的 SPDTransNet，以协方差矩阵时间序列进行睡眠阶段分类，并提出将学习得到的单信号特征融入矩阵、同时保持其对称正定（SPD）性质的方法。主要研究对象是 EEG 自动睡眠分期，并非直接验证 BCI 控制任务。 技术上，SPDTransNet 是一种 Transformer 衍生网络，将 EEG 的协方差矩阵序列作为分类表征。特征融合后保持 SPD 性质，使矩阵仍适用于相应的黎曼度量处理；但摘要未给出特征提取器、矩阵构造与融合公式、具体度量、注意力机制或训练损失，不能据此还原实现。 作者报告，在强调各类别表现的评估方法下，与若干先进模型相比，该方法在单数据集及尤其是多数据集实验中达到相当或更好的表现。摘要未提供数据集名称、被试规模、划分方式、指标或具体数值；“多数据集实验”不能直接等同于 Cross-dataset 泛化，也不能据此断言对未见数据集有效。实验协议、消融及统计信息尚未验证，复现需核对上述信息以及代码可用性。 平台推测（待验证）：若 BCI 任务能够构造稳定的 EEG 协方差矩阵序列，其 SPD 特征融合与时序建模模块可能具有复用价值；这一假设依赖足够可靠的协方差估计和任务监督，需改造信号窗口、通道配置及分类输出。低信噪比、通道差异、跨被试分布变化与小数据训练可能削弱效果。一个可检验的小实验是在固定 Cross-subject 划分下，对比原始协方差输入与融合学习特征的输入，保持其余模型和训练条件一致，检验融合机制是否改善类别表现；已有相关 BCI 工作尚未检索确认。