EEG 信号上的几何机器学习

基于摘要分析。该研究针对高维 EEG 信号难以解码的问题，提出单通道去噪与多通道流形学习两条处理流程，旨在揭示脑电数据中的低维几何结构，为下游 BCI 分类提供可正则化的表示。研究以 imagined digit decoding（想象数字解码）为应用背景，在两个 EEG 数据集上进行初步验证。 机制方面，前置流程使用基于注意力的 EEG 滤波网络，从单个 EEG 通道中提取干净信号；主要流程结合快速傅里叶变换、Laplacian eigenmap、基于 Ollivier Ricci 曲率的离散 Ricci flow，以及图卷积网络，对多通道 EEG 进行降维。其方法关注点是利用通道网络的几何结构辅助分类，而非仅对各通道独立处理。摘要未说明图的构建方式、各模块的具体衔接、训练目标与正则化形式，这些尚需全文核对。 作者报告，在半合成神经信号去噪任务的 2 dB 条件下，平均测试相关系数大于 0.95；在下游 EEG 分类中，区分数字与非数字思维的 Accuracy 为 0.97。后者是二分类结果，不能解释为对不同数字身份的多类别解码能力。作者称其性能可与现有信号处理及分类基准竞争，但摘要未提供具体基线或比较协议，暂不能独立判断优势幅度。 数据集名称、被试数量、数据划分，以及评估属于被试内还是跨被试，均尚未验证；实验协议、消融及统计信息也尚未验证。作者明确将结果定位为初步成果，并指出需要在更大的跨被试样本、不同硬件系统及更广泛用途上开展后续验证。复现时宜重点核对半合成噪声设置、通道图与曲率计算、降维和分类训练流程，并区分去噪指标改善与下游分类收益。已有相关 EEG 几何学习工作的覆盖情况尚未检索确认。