MENDR：流形可解释神经数据表示

基于摘要分析。该研究针对 EEG 基础模型预训练过程不透明、嵌入中的信号信息保留程度难以核查的问题，提出基于滤波器组的 MENDR（Manifold Explainable Neural Data Representations）。其核心贡献是结合离散小波包变换与 Riemannian Manifold Transformer，学习 EEG 的对称正定矩阵嵌入，并通过几何椭球可视化和信号重建探索表示的可解释性。 机制与训练：摘要描述，EEG 经离散小波包变换分解为多分辨率系数，模型在超过 4,000 小时的 EEG 语料上预训练。相较主要在时域建模的路线，该方法引入具有确定性、可追溯性的信号处理表示，再在黎曼流形上学习嵌入。具体矩阵构造、流形运算、预训练损失及下游微调方式尚未验证，不能据摘要确定其如何约束信息保留。 结果与证据：作者报告，在多个临床 EEG 任务的评估中，MENDR 以显著更少的参数取得接近最先进水平的性能，并支持从嵌入准确重建 EEG。摘要未提供任务与数据集名称、被试数、数据划分、对照模型、参数量、性能指标或重建误差，因此这些结论暂不能用于定量比较，也不能据此推断其在运动想象、SSVEP 或其他 BCI 任务上的效果。 阅读与复现重点：需核对小波包分解配置、对称正定矩阵的构造与数值稳定性、预训练语料和下游数据的关系，以及实验协议、消融及统计信息。椭球可视化提供了几何解释接口，但是否对应临床相关信息、重建质量是否反映任务相关信息保留，仍需具体实验支持；模型权重、代码及复现资源的可获得性尚未验证。