用于运动想象分类的 SPD 流形图神经网络：时频分析视角

基于摘要分析。该研究面向 EEG 运动想象（MI）分类，提出 Graph-CSPNet，从时频分析视角扩展基于几何深度学习的分类方法，利用流形值图卷积提取时频域 EEG 特征。 核心机制是以 EEG 空间协方差矩阵为几何表示基础，在对称正定（SPD）流形上进行图神经网络建模。作者将这类以微分几何为基础的模型称为 Geometric Classifiers。Graph-CSPNet 强调更灵活的信号分段，以捕获时频局部波动；但摘要未说明具体分段规则、图节点与边的定义、流形卷积运算、损失函数及训练流程，相关实现需结合全文和代码核对。 作者报告，在五个常用公开 MI-EEG 数据集的十一个评估场景中，九个场景达到近最优分类 Accuracy。摘要未列出数据集名称、各场景的被试内或跨被试等协议、具体 Accuracy、对照方法及统计不确定性，因此不能据此判断其相对既有方法的提升幅度或跨被试泛化能力；“近最优”也不等于所有场景均优于对照。 材料提供了 Python 代码仓库，为复现提供入口。复现时需核对时频分段、协方差估计与 SPD 有效性的处理、图构建方式及数据划分是否与论文一致。实验协议、消融及统计信息尚未验证。