面向 ALS-EEG 解码的量子增强黎曼条件化图表征学习

基于摘要分析。该研究面向肌萎缩侧索硬化症（ALS）患者的跨被试 EEG 解码，提出 QRG-EEG，将局部时空证据与单次试验特定的组件间关系结合，并在深度、图和量子表征之间保留组件身份对应，以应对小规模临床队列中的学习问题。 核心机制是让组件 i 的局部证据控制第 i 个量子比特上的单量子比特操作，同时用组件间的黎曼关系 (i,j) 直接条件化对应量子比特之间的交互。不同于将局部与关系信息直接压缩或聚合，该设计强调节点、边及其量子表示的一一对齐。作者报告通过解析推导说明，边条件化如何变为可观测效应，并产生联合的节点—节点—边响应；具体关系构造、量子线路和训练目标尚需正文核对。 评估覆盖四个公开 ALS-EEG 数据集，共包含 30 个患者级留一被试（LOSO）折，采用严格的仅源域模型选择、匹配的经典与量子对照，以及针对边的干预。作者报告，在该跨患者评估及所选代表性竞争方法范围内，QRG-EEG 获得最优的数据集级 Macro-F1，次要指标 P300 的 AUROC 与运动想象（MI）的 Balanced Accuracy 也表现最优；移除或错配单次试验特定的边均使性能下降。摘要未提供具体分数，30 个折不能直接视为 30 名独立患者。 这些结果支持作者关于组件对齐的节点—边条件化适用于小数据跨患者 EEG 解码的解释，但尚不能仅凭摘要确定量子模块相对匹配经典实现的独立增益。数据集名称、组件定义、源域选择细节、各数据集划分、消融幅度及统计信息尚未验证；量子计算采用模拟器还是硬件、计算成本和代码可用性也需进一步核对。