用于脑基础模型的黎曼高阶池化

基于摘要分析。本文研究 EEG 基础模型分类头对时空结构与二阶统计利用不足的问题，提出即插即用的 Riemannian High Order Pooling（RHOP），以黎曼统计描述补充单一 class token，用于 EEG 解码。 核心机制是先将每个 token 映射为同时编码均值与二阶信息的 quotient Gaussian，形成尺度不变描述；再在对称正定（SPD）流形上估计 Riemannian Gaussian 来聚合 token，将 Fréchet 均值与协方差嵌入 SPD 描述符。最终对所得向量归一化，并与 class token 融合完成预测。其方法重点不是改造基础模型骨干，而是增强分类端的统计表征；具体映射、归一化公式、融合方式及损失尚未验证。 作者报告，RHOP 不依赖特定骨干，可接入 BIOT、LaBraM 等 EEG 基础模型，并在多个 EEG 基准的全量微调、线性探测和从头训练设置下提升 Accuracy 与效率。摘要未提供基准名称、被试数量、被试内或跨被试等评估协议、数据划分、对照配置及具体数值，因此无法判断增益幅度，也不能确认“效率”对应训练时间、推理成本还是其他指标。实验协议、消融及统计信息尚未验证。 复现时应核对 token 到统计描述符的构造、SPD 运算的数值稳定性，以及线性探测设置中新增模块的可训练范围；同时需区分二阶统计、黎曼聚合及与 class token 融合各自的贡献。作者提供了公开代码地址，但代码内容、依赖与可复现性尚未验证。