通过三因子 SVD 型流形优化实现用于 EEG 解码的偏最小二乘回归

基于摘要分析。该研究针对偏最小二乘回归（PLSR）的求解问题，提出在 bi-Grassmann 流形上优化的方法 PLSRbiGr，并用于运动想象（MI）与稳态视觉诱发电位（SSVEP）任务的 EEG 解码。其主要贡献是将正交约束下的求解转化为流形上的无约束优化，并结合黎曼预条件调整迭代中的度量。 PLSR 用于揭示自变量与因变量潜在因子之间的线性关系。作者将传统欧氏空间求解容易陷入局部极小值作为研究动机；具体方法首先对交叉协方差矩阵采用定义在 bi-Grassmann 流形上的三因子 SVD 型分解，再引入基于矩阵缩放的黎曼预条件，在每次迭代中调节黎曼度量。这里的创新集中于 PLSR 的优化方式，不能据摘要进一步断言其具有全局收敛保证或能够消除局部极小值问题。 作者报告，PLSRbiGr 在多项 MI 与 SSVEP EEG 解码实验中优于参与比较的算法，并认为该方法有助于小样本数据学习。摘要未提供数据集、被试数量、EEG 特征构造、训练测试划分、对照算法名称或具体指标，因此尚不能判断优势对应被试内、跨被试还是跨会话协议，也不能量化提升幅度。 复现时需核对三因子分解的具体形式、潜在维度选择、预条件构造、初始化与停止条件，以及 EEG 输入特征和预测输出的定义。实验协议、消融及统计信息尚未验证；尤其需从全文确认性能收益来自何种优化改动，以及小样本结论对应的训练规模与评估前提。