通过平衡有符号图算法展开实现 EEG 分类的轻量级 Transformer

基于摘要分析。该研究针对利用 EEG 区分癫痫患者与健康被试的问题，以负边表示信号间的反相关，并将平衡有符号图上的谱去噪算法展开为轻量、可解释的类 Transformer 神经网络。其贡献在于将具有明确图谱含义的去噪过程与基于重建误差的二分类结合，而非仅依赖通用深度网络进行判别。 核心机制：平衡有符号图不包含负边数量为奇数的环，其图拉普拉斯矩阵可通过相似变换映射到对应正图，从而建立明确的频率解释。方法在映射后的正图上借助 Lanczos approximation 高效实现理想低通滤波，并从数据中学习最优截止频率。摘要描述了两个分别学习不同信号类别后验概率的平衡有符号图去噪器，分类时评估二者的重建误差；后验概率的具体建模形式、误差如何转化为判决，以及算法展开与 Transformer 结构的对应关系尚未验证。 作者报告，在所开展的 EEG 二分类实验中，该方法取得与代表性深度学习方案相当的分类性能，同时使用显著更少的参数。摘要未提供数据集名称、被试数、被试内或跨被试划分、对照方法名称、分类指标及参数量，因此不能量化其性能或压缩幅度，也不能据此认定其跨被试泛化能力。 复现时需核对有符号图的构建与平衡约束实现方式、Lanczos approximation 的设置、截止频率学习过程、两个去噪器的训练目标，以及重建误差分类规则。实验协议、消融及统计信息尚未验证。本文直接研究 EEG 疾病分类，但摘要结果不等于在线 BCI 控制任务或临床诊断有效性的证据。