HybridRDG：通过混合深度学习–黎曼几何域泛化，从多范式 EEG 中进行零样本 ASD 生物标志物检测

基于摘要分析。该研究针对多范式 EEG 中的跨被试域偏移，提出 Hybrid Deep-Riemannian Domain Generalization（HybridRDG），在训练时不访问任何目标被试数据，用于识别携带自闭症相关遗传变异的个体。其主要研究对象是临床生物标志物检测，而非直接诊断 ASD 或验证 BCI 控制性能。 核心方法融合两个互补分支：经对抗正则化的 EEGNet 提取时间波形形态；黎曼几何分支通过范式特定的多时间窗分解、Ledoit-Wolf 收缩估计与 Log-Euclidean 对齐表征空间协方差结构。摘要明确这些处理仅在源被试上拟合，但未提供对抗目标、融合方式、窗口设置及具体训练损失，相关实现尚未验证。这里的“零样本”指训练阶段不使用目标被试数据的域泛化设定，不能等同于对未知类别的零样本识别。 作者报告，在五种范式的严格被试留出协议下，与覆盖黎曼几何、深度学习及域泛化方法的十个基线比较，HybridRDG 在其中四种设置中获得最高的被试级 Balanced Accuracy。摘要未给出具体分数、差值、被试数量、范式名称或统计不确定性；其中“通常少于 50 名有标签被试”是背景描述，不能视为本研究样本量。 作者据此认为，几何协方差结构而非仅欧氏特征对齐，是零样本 EEG 泛化的重要因素。这一机制解释仍需结合分支消融、对齐对照及统计检验核对。复现时还需确认多范式数据组织、被试级预测聚合方式、训练与验证划分，以及所有预处理和模型选择是否遵守源被试限定。实验协议、消融及统计信息尚未验证，现有材料不足以判断跨会话、跨数据集泛化或临床检测效用。