EEG-MACS：不可靠标注下用于 EEG 跨中心脑疾病诊断的流形注意力与置信度分层

基于摘要分析。本文研究 EEG 脑疾病诊断中的跨中心数据异质性与标注不可靠问题，尤其关注小样本场景下神经退行性疾病较细微的异常神经动态。作者提出采用 Manifold Attention and Confidence Stratification（MACS）的可迁移框架，结合流形表征、数据变体一致性和动态置信度分层开展诊断；研究对象是脑疾病诊断，而非 BCI 控制任务。 机制上，Augmentor 生成多种 EEG 表征的脑信号变体以丰富数据空间；Switcher 增强可信样本的特征空间，并降低对错误标注样本的过拟合。Encoder 结合黎曼流形与欧氏度量，捕捉 EEG 时空变化及动态同步性。配备双头的 Projector 监测多个变体之间的一致性；Stratifier 在训练过程中按置信度自适应划分样本，并据此约束前向传播与反向传播，以稳定不可靠标注条件下的学习。摘要未给出流形注意力的具体计算、双头任务定义、损失形式或分层阈值，不能据此还原完整实现。 作者报告，在来自四个中心、包含不可靠标注的 EEG 数据上，针对神经认知障碍与运动障碍开展被试独立的跨中心实验，性能优于相关算法。但摘要未提供具体疾病构成、数据集名称、被试数量、中心间训练与测试划分、标注可靠性的判定方式、基线名称及指标数值，因此目前只能保留这一方向性结论，不能量化提升或与其他协议直接比较。 复现时需核对数据变体生成是否保留诊断相关信息、置信度是否能有效区分错标与困难样本，以及各模块在跨中心设置中的独立贡献。实验协议、消融及统计信息尚未验证；代码、数据可用性与完整训练配置也尚未验证。尤其需要考察小样本及中心分布变化下，置信度分层是否会将少数或困难病例持续归入低置信度组，这属于待验证风险，而非摘要已证实的缺陷。