EEG-MACS：用于不可靠标注下基于 EEG 的跨中心脑疾病诊断的流形注意力与置信度分层

基于摘要分析。该研究针对跨中心 EEG 数据异质性、标注不可靠及小样本条件下的神经退行性疾病诊断，提出 EEG-MACS 框架，通过流形表征、多变体一致性和置信度分层约束训练。其主要研究对象是 EEG 辅助脑疾病诊断，而非 BCI 控制或交互任务。 机制方面，Augmentor 生成多种 EEG 表征的脑信号变体以扩充数据空间；Switcher 增强可信样本的特征空间，并抑制对错误标注样本的过拟合；Encoder 结合黎曼流形与欧氏度量，捕捉 EEG 时空变化和动态同步；双头 Projector 监测不同变体之间的一致性。Stratifier 在训练过程中按置信度自适应分层样本，并据此约束前向传播与反向传播。摘要未给出注意力实现、置信度计算、分层阈值、具体损失函数及各模块的训练细节，尚不能判断这些机制如何协同以及各自贡献。 评估方面，作者报告使用来自四个中心、具有不可靠标注的 EEG 数据，在神经认知障碍和运动障碍上开展被试独立的跨中心实验，并报告优于已有相关算法。摘要未提供疾病类别、数据集名称、被试数量、中心间训练与测试划分、标注可靠性的确定方式、对照基线名称或具体指标，因而不能量化性能优势，也不能将被试独立评估直接等同于完全未见中心的泛化验证。实验协议、消融及统计信息尚未验证。 复现方面，作者提供了代码仓库，但数据可获得性、环境依赖和完整训练配置尚未核对。阅读全文时应重点确认置信度分层能否区分标注错误与难分类样本、分层是否影响少数类别，以及跨中心划分和模型选择流程。这些是待核对事项，并非已确认的研究缺陷。摘要对其他多媒体及多模态分析任务的扩展仅提供方向性主张，不能据此认定其在其他 EEG 或 BCI 任务上有效。