利用基于黎曼几何的空间滤波（RSF）方法增强运动想象 EEG 分类

基于摘要分析。该研究针对运动想象（MI）EEG 的非平稳性、低信噪比与噪声敏感性，提出基于黎曼几何的空间滤波方法 RSF，通过低维投影增大不同类别协方差矩阵之间的黎曼距离，以增强分类特征的判别能力。 核心机制是将 EEG 信号投影到低维子空间，并以类间协方差矩阵的黎曼距离作为空间滤波优化依据。与摘要中讨论的 CSP 相比，RSF 强调利用协方差的几何结构进行判别性降维。作者将其定位为可与多种 MI 解码算法结合的空间滤波方法，而非单独替代全部分类流程；具体距离定义、优化方式、投影维数选择，以及滤波器如何接入不同模型尚未验证。摘要提出噪声鲁棒性优势，但其对应的实验条件与证据需查阅全文。 作者在六个公开 MI-BCI 数据集上，将 RSF 与十种解码算法结合评估，包括 CSP-LDA、FBCSP、MDM、TSM、EEGNet、ShallowConvNet（sCNN）、DeepConvNet（dCNN）、FBCNet、Graph-CSPNet 和 LMDA-Net。作者报告 RSF 能显著提高分类 Accuracy 并减少计算时间，尤其适用于计算复杂度较高的深度学习模型；摘要未提供具体分数、提升幅度或计时结果，因此不能量化收益或比较不同评估协议。 复现时应核对数据集名称、被试数、预处理、被试内或跨被试等划分方式，以及空间滤波器的拟合范围、超参数选择和对照配置。计算效率还需区分滤波器优化、模型训练与推理开销，并核对硬件条件。摘要提供了代码仓库地址，但实现完整性、运行环境及结果可复现性尚未验证；实验协议、消融及统计信息尚未验证。