PADA：面向鲁棒运动想象解码的扰动感知差分黎曼注意力

基于摘要分析。该研究针对 EEG 运动想象解码中黎曼几何方法对非线性及时间与空间变异特征提取不足的问题，提出扰动感知差分黎曼注意力机制 PADA，旨在提升噪声与有限训练样本条件下的解码鲁棒性。 方法包含基于窗口的可学习黎曼模块和双流差分流形注意力机制：前者将信息丰富的片段映射至流形，在保留局部结构的同时表征非线性特征；后者利用切空间扰动探测特征不稳定性，并差分抑制对噪声过度敏感的注意力权重，以提取稳健的几何依赖关系。摘要未给出窗口选取、扰动生成、差分运算及训练目标的具体实现，尚不能据此还原完整算法。 作者报告，在 BCI Competition IV-2a 和 Zhou2016 数据集的无噪声条件下，Accuracy 分别为 81.44% 和 92.79%；摘要未交代对应的被试内、跨被试或跨会话划分。作者另报告，在“50% noise”条件下，Accuracy 仅下降“12%”，且在所比较模型中表现最佳；但噪声类型、比例定义、对应数据集，以及下降量指相对百分比还是百分点，均需全文核对，不能直接与其他噪声评估比较。 在包含 227 名被试的自建数据集上，作者报告，经典手部运动想象二分类任务仅使用 12 个训练样本时，Accuracy 最高为 70.46%。摘要未明确这些训练样本按被试还是整体计数，也未提供测试划分及个体间表现分布，因此不能将该最高值解释为所有被试的平均效果。 复现时应重点核对切空间扰动的尺度与采样方式、双流注意力的差分抑制规则、流形映射及数值稳定性，以及噪声和小样本协议下的基线设置。实验协议、消融及统计信息尚未验证，代码与自建数据的可获取性亦尚未验证。