用于 EEG 解码的带流形注意力块的黎曼多尺度 RestNet

基于摘要分析。该研究针对 EEG 几何学习方法在流形数据上提取多尺度特征及通道、空间注意力的能力不足，提出黎曼多尺度残差网络 RMS-RestNet，旨在增强 EEG 解码中的几何特征表征。 核心模块 Riemannian multi-scale residual module（RMSRM）将 depthwise 和 pointwise 卷积扩展至对称正定（SPD）流形，分别称为 SPD depthwise（SPD DW）与 SPD pointwise（SPD PW）卷积。模型采用不同尺度的 SPD 卷积核提取几何特征，再通过残差连接融合处理前后的几何信息。摘要未提供卷积的具体数学定义、尺度设置及残差融合方式，因此其保持 SPD 结构的条件与实现细节尚待正文核对。 注意力部分结合切空间池化与 SPD 卷积，构建 manifold convolutional block attention module（MCBA），用于捕获多通道 SPD 流形数据中的通道及空间注意力。摘要同时称网络基于 MAtt 构建，但未展开 MAtt 的定义及其与 MCBA 的关系；这里的多通道流形表示如何对应原始 EEG 电极或特征通道也尚未验证。 作者报告，在时间同步与异步 EEG 数据集上的实验中，该方法优于所比较的先进方法。摘要未给出具体任务、数据集名称、被试数、被试内或跨被试等评估划分、指标及数值，不能据此判断优势幅度、跨被试泛化能力或在线 BCI 效果。实验协议、消融及统计信息尚未验证。 复现时需从全文核对 EEG 到 SPD 表示的构建过程、预处理、卷积与池化的流形运算、训练目标和优化设置，以及各模块的对照实验；当前材料未提供代码或可直接执行的复现配置。