形变 SPD 流形上的内蕴黎曼分类器：统一框架

基于摘要分析。该研究面向几何深度学习中的非欧几里得特征分类，提出设计内蕴黎曼分类器的统一框架，旨在降低既有方法对特定几何性质的依赖。论文重点研究对称正定（SPD）流形，并将雷达识别、人体动作识别和 EEG 分类作为应用场景，而非专门提出一种 BCI 解码算法。 核心机制是依据流形上的黎曼度量构造与其几何结构相适配的内蕴分类器。作者称，该框架仅需较少的几何性质，可适用于多种黎曼流形及其上的多类度量；在 SPD 流形上，作者系统研究了五类形变参数化黎曼度量，并据此构建不同的 SPD 分类器。摘要未展开具体度量名称、分类决策形式、损失函数或训练与推理过程，因此尚不能判断各分类器的实现差异及计算代价。 作者报告，三个应用场景展示了框架的通用性与有效性，但摘要没有提供 EEG 任务、数据集、被试数量、被试内或跨被试划分、对照方法及定量指标，不能据此判断其在特定 BCI 协议下的优势。实验协议、消融及统计信息尚未验证。 复现时应优先核对 EEG 如何被表示为 SPD 特征、不同度量与分类器的对应关系，以及比较实验是否固定特征提取和数据划分。这些是评估几何选择实际贡献的核查事项，并不意味着作者未开展相关实验。