基于黎曼几何的 EEG 方法：文献综述

基于摘要分析。本文综述黎曼几何与深度学习结合用于 BCI 中 EEG 解码的研究进展，重点讨论如何处理 EEG 表征中的非欧几里得数据结构，以及这些方法对噪声敏感性、非平稳性和较长校准时间等问题的应对。其贡献定位于文献梳理与研究方向总结，而非发布新的解码模型。 综述范围：作者以更新上一轮主要综述以来的研究为目标，摘要将该综述的时间锚点设为 2017 年，并比较利用深度学习处理非欧几里得数据结构的现代方法。摘要未列出具体方法、文献检索策略、纳入标准或覆盖数量，因此尚不能判断综述的覆盖程度及比较是否采用统一依据。 技术主线：作者讨论黎曼几何相关分类框架与信号处理技术，并将流形上的特征跟踪、多任务学习、特征提取和迁移学习列为后续研究方向。摘要未说明各方法的数据表示、流形运算、网络结构、损失函数及训练或推理流程，这些内容需通过全文核对，不能据此归纳为某一种确定的实现方案。 证据边界：作者在摘要中概述了相关方法的精度、稳健性与迁移学习潜力，并提及 BCI 竞赛中的成果，但未提供具体数据集、任务、被试数、评估指标或被试内、跨被试、跨会话等协议背景。因此，这些表述应视为作者对领域工作的总结，不能作为统一性能比较或实际部署有效性的证据。 阅读时可重点核对不同方法的几何表示与深度学习模块如何衔接，以及噪声、分布变化和校准成本的改善是否有对应实验支持。实验协议、消融及统计信息尚未验证；开展复现仍需回到综述所引用的原始论文确认实现条件。