EEG-MACS：不可靠标注下用于基于 EEG 的跨中心脑疾病诊断的流形注意力与置信度分层

基于摘要分析。该研究针对基于 EEG 的神经退行性疾病诊断中跨中心数据异质性、标注不可靠及小样本条件下异常神经动态较细微的问题，提出采用流形注意力与置信度分层的 MACS 框架。其主要研究对象是脑疾病诊断，而非 BCI 控制任务。 框架包含六项相互配合的机制：Augmentor 生成多种 EEG 表征的脑信号变体以扩充数据空间；Switcher 增强可信样本的特征空间，并抑制对错误标注样本的过拟合；Encoder 结合黎曼流形与欧几里得度量，捕捉 EEG 时空变化和动态同步；带双头的 Projector 监测多个变体间的一致性；Stratifier 在训练过程中按置信度自适应分层样本；前向传播与反向传播受置信度分层约束，以稳定不可靠标注条件下的学习。摘要未给出流形注意力的具体运算、置信度计算方式、分层阈值或损失形式，这些实现细节尚未验证。 作者报告，在来自四个中心、具有不可靠标注的 EEG 数据上，针对神经认知障碍和运动障碍开展被试独立实验，表现优于相关算法。摘要未提供疾病类别、数据集名称、被试数量、具体指标及数值，也未明确跨中心训练与测试划分；因此不能将该结论进一步解释为已验证的留一中心泛化效果。实验协议、消融及统计信息尚未验证，尤其需核对标注不可靠性的来源与设定、可信样本筛选依据，以及各模块对性能的独立贡献。 作者提供了代码链接，为复现提供入口，但代码完整性、数据可获得性及运行配置尚未验证。复现时应重点核对置信度分层如何避免强化错误高置信度标签，以及其在不同中心数据分布下的稳定性。摘要对其他多媒体和多模态分析的拓展属于作者提出的潜在方向，不能视为已验证结果。