时间反演奇对称 EEG 动力学的极几何

基于摘要分析。该研究关注电极重新佩戴、参考方式、记录条件及生理状态变化下，多通道 EEG 是否存在能够跨会话区分被试的时间反演奇对称几何结构。作者采用极分解，将交互强度与归一化方向分离，并在四个公开纵向 EEG 数据集上评估跨会话被试匹配。 方法上，作者构造局部状态—导数算子 T_ij = corr(m_i, Δx_j)，提取其精确反对称分量 K，再通过 K = Q_K M_K 分离方向与幅值；同时对有符号虚部相干性 Ω = Im(G) 进行相同分解，以不同估计程序开展频域检验。摘要未完整定义 m_i、Δx_j 及预处理细节。作者报告，T 本身已由反对称分量显著主导，支持 K 是提取而非人为产生所观察到的时间反演奇对称结构。 作者报告，在所有主要比较中，K → Q_K 均提高了跨会话区分能力。RestCog 约一个月间隔的匹配中，AUC 从 0.9222 提升至 0.9597，首位识别率 CMC@1 从 0.6333 提升至 0.8167。Dortmund 队列包含 206 名参与者、记录间隔约五年，AUC 从 0.8901 提升至 0.9625，CMC@1 从 0.4757 提升至 0.6214；采用无需校准或学习权重的固定等权 alpha–beta 融合后，Q_K 的 CMC@1 为 0.8350、AUC 为 0.9855、等错误率 EER 为 5.90%。作者还报告，四个数据集的 alpha 和 beta 频段均复现了 Ω → Q_Ω 的 AUC 优势，且全部 40 项原始表征与极分解表征的匹配度量对照保留了该优势。 这些结果针对身份匹配，而非运动想象等 BCI 任务。作者将收益解释为同一被试与不同被试之间的几何区分改善，不必然意味着重复记录的绝对相似度更高。作者称，在预处理、时间支持范围与频段固定后，该描述符无需按性能调优内部参数；具体划分、匹配构造、消融及统计信息尚未验证。 平台推测（待验证）：假设会话幅值变化也是 EEG 任务迁移的干扰源，可复用反对称算子与极分解模块，但需另行设计任务读出。方向归一化可能丢失任务相关幅值，低信噪比、小样本和通道变化也可能使估计不稳定。可在固定通道及预处理的跨会话标注任务上，以相同分类器对照 K 与 Q_K，检验身份匹配优势能否转化为任务收益；相关 EEG 解码工作尚未检索确认。