用于 EEG 解码的多尺度子流形感知 SPD 注意力网络

基于摘要分析。该研究针对 EEG 解码中黎曼注意力通常局限于单一固定、全维 SPD 空间的问题，提出多尺度子流形感知 SPD 注意力网络 SSAtt，在原始协方差空间与学习得到的紧凑 SPD 空间中并行建模时间关系。作者认为，全维协方差中的冗余方向可能稀释具有判别性的时间关系，紧凑表示可与全维信息互补。 核心机制是将各时间段的协方差描述符通过样本自适应合同变换投影到一个或多个低维 SPD 空间。每个变换由可学习的基础变换与超网络生成的动态分量组成，并采用 Newton-Schulz 正交化促进投影矩阵的半正交性，以保持投影表示的正定性。随后，网络在原始 SPD 流形与学习得到的紧凑 SPD 空间中并行执行黎曼注意力，联合利用全维协方差信息和紧凑判别结构。相较于摘要所述的单一固定全维空间方法，其主要变化是引入样本自适应子空间和多尺度时间交互建模，而不是仅在原空间增加注意力计算。 作者报告，四个 EEG 基准上的实验支持 SSAtt 的有效性，但摘要未提供基准名称、解码任务、被试数、被试内或跨被试等评估协议、对照基线及具体指标，因此无法据此判断提升幅度或泛化范围。实验协议、消融及统计信息尚未验证。 复现时需核对协方差构造方式、低维空间的数量与维度、超网络输入、Newton-Schulz 迭代设置、各注意力分支的融合方式及训练目标；还应检查动态投影与多尺度分支的独立贡献，以及正交化的数值稳定性。摘要未提供代码与完整训练配置，当前只能分析方法机制，尚不能确认复现条件。