基于相空间的几何神经网络用于 BCI 解码

基于摘要分析。该研究针对 EEG BCI 中训练数据有限、信噪比低、被试间及被试内变异大，以及多电极配置耗时的问题，提出用于运动想象（MI）解码的 Phase-SPDNet。核心贡献是结合 Augmented Covariance Method 与 SPDNet，在少电极条件下评估几何神经网络的解码性能与结果可解释性。 方法上，Phase-SPDNet 以增广协方差方法和 SPDNet 框架为基础，探索基于相空间的信号表示与几何学习。摘要未给出相空间构建方式、增广协方差的具体定义、网络结构、损失函数或训练与推理细节，因此这些实现内容尚未验证，不能据此确定其具体机制或复现配置。 评估使用 MOABB（Mother Of All BCI Benchmark）框架，覆盖多个开源数据集中的近 100 名被试，仅使用位于运动皮层上方的三个电极，并采用五折交叉验证。摘要未说明具体数据集、电极名称、MI 类别，以及划分属于被试内、跨被试还是跨会话；这些协议背景需核对后才能解释结果或与其他研究比较。 作者报告，在上述三电极、五折交叉验证评估中，增广方法与 SPDNet 的结合显著优于所比较的现有先进 MI 解码深度学习架构，并称该架构具有可解释性和较少的可训练参数。摘要未提供具体指标、分数、参数量、基线清单或显著性检验细节，因而性能优势的幅度与适用范围尚未验证。 复现时应优先核对交叉验证划分、预处理与表示构建流程、基线配置，以及可解释性分析的依据。实验协议、消融及统计信息尚未验证；三电极离线评估也不能直接证明在线 BCI 控制效果或实际佩戴舒适性的改善。