通过平衡符号图算法展开实现 EEG 分类的轻量级 Transformer

基于摘要分析。该研究面向利用 EEG 区分癫痫患者与健康被试的问题，将信号中的反相关关系建模为图上的负边，并把平衡符号图谱去噪算法展开为轻量、可解释的类 Transformer 神经网络。其主要贡献是把符号图的频率结构与可学习低通滤波结合，再利用类别相关的重建误差进行二分类；研究对象是 EEG 疾病分类，不等同于 BCI 控制任务。 核心机制：平衡符号图指不存在含奇数条负边的环的图。摘要指出，这类图具有明确定义的频率，可通过图拉普拉斯矩阵的相似变换映射至对应的正图。方法在映射后的正图上使用 Lanczos 近似高效实现理想低通滤波，并从数据学习最优截止频率。训练中，两个平衡符号图去噪器分别学习两个信号类别的后验概率，分类时评估其重建误差。后验概率与重建误差的具体联系、图构建方式、平衡约束的实现及算法展开与 Transformer 结构的对应关系尚未验证。 结果与证据边界：作者报告，该方法在 EEG 二分类实验中取得与代表性深度学习方案相当的分类表现，同时使用显著更少的参数。摘要未提供数据集、被试数、被试内或跨被试划分、具体对照、指标数值及参数量，因而无法量化性能与模型规模之间的权衡，也不能据此认定跨被试泛化或临床有效性。实验协议、消融及统计信息尚未验证。 复现核对重点包括：负边是否稳定反映 EEG 反相关关系，平衡约束如何处理实际数据中不满足该条件的图，以及截止频率学习和重建误差判别的具体实现。还需核对数据划分是否按被试组织、图构建所用数据范围，以及参数量比较所涵盖的模块。摘要未提供代码与实现细节，复现条件尚未验证。