用于运动想象分类的 SPD 流形图神经网络：时频分析视角

基于摘要分析。该研究面向 BCI 中的运动想象（MI）EEG 分类，提出 Graph-CSPNet，从时频分析视角扩展基于 EEG 空间协方差矩阵的几何深度学习分类器。其核心贡献是在 SPD（对称正定）流形上采用流形值图卷积，提取时频域特征，并通过更灵活的信号分段捕捉局部波动。 方法机制：作者将这类以微分几何及 EEG 空间协方差矩阵为基础的方法称为 Geometric Classifiers。Graph-CSPNet 的研究重点是将时频局部信息与流形上的图结构计算结合；摘要未说明图节点与边的具体定义、时频分段策略、流形运算、损失函数或训练流程，尚不能据此还原实现，也不能确认各模块对性能的独立贡献。 评估结果：作者报告，在五个常用公开 MI-EEG 数据集构成的 11 个评估场景中，Graph-CSPNet 在其中九个场景取得接近最优的分类 Accuracy。摘要未列出数据集名称、具体数值、对照基线，也未交代这些场景对应被试内、跨被试或跨会话协议，因此该结果不能解读为所有场景均优于现有方法。 复现条件与核对重点：摘要提供了 Tensor-CSPNet-and-Graph-CSPNet 的 Python 仓库，可作为复现入口，但代码完整性与运行条件尚未验证。进一步阅读应核对时频分段与图构建规则、协方差估计及数值稳定性处理、数据划分和基线设置，并检查局部时频建模与流形值图卷积的消融证据。实验协议、消融及统计信息尚未验证。