SPDAlign：针对 EEG 正向建模偏移的可解释黎曼对齐

基于摘要分析。本文研究 EEG 正向过程随域变化而引入的分布偏移，目标是在不使用有标签校准数据的情况下促进域不变学习。作者基于经典 EEG 生成模型提出 SPDAlign，将此类偏移的校正表述为对称正定（SPD）流形上的线性变换，并结合域均值对齐与全局旋转校正。 机制与理论：论文首先考察与头部几何等因素相关的域特异性正向过程。作者报告，理论分析表明此类分布偏移可仅通过 SPD 流形上的线性变换恢复；该结论针对所建模的正向过程偏移，不能据摘要扩展为能够消除所有 EEG 非平稳性。SPDAlign 先对齐各域的均值，再使用最优传输技术 Wasserstein Procrustes 校正域间全局旋转。摘要未给出生成模型的具体假设、SPD 表征构造、优化目标或对齐所需的数据条件，这些尚待全文核对。 实验与可解释性：作者报告，通过模拟系统研究了该方法，并在多个公开 EEG 数据集上取得有竞争力的表现。摘要未提供数据集名称、任务、被试数量、指标、对照基线或数据划分，因此尚不能量化其性能，也不能区分跨被试与跨会话协议下的收益。作者还报告，该框架具有全局线性和内在可解释性，可用于识别感兴趣的频率范围、确定反映源—传感器关系的空间模式，并处理跨被试变异；这些解释输出的验证方式尚未确认。 复现核对重点：应确认理论成立所需的正向模型条件、无标签对齐时目标域数据的使用范围，以及均值对齐和旋转校正各自的贡献；还需核对模拟偏移与真实 EEG 域偏移的对应关系。实验协议、消融及统计信息尚未验证，代码与运行条件也未由所给材料确认。