用于 EEG 解码的相关矩阵流形自注意力网络

基于摘要分析。该研究关注如何在非欧几何空间中建模 EEG 的时空依赖，提出面向满秩相关矩阵的 Correlation Attention Network（CorAtt），并分别在 Off-Log 和 Log-Scaled 几何下实现。其核心贡献是将相关矩阵表征与流形自注意力结合，用于 EEG 解码。 技术机制上，摘要以满秩相关矩阵作为协方差矩阵的替代表征，理由是其对变量尺度变化具有不变性。CorAtt 围绕这种表征设计注意力模型；摘要将所采用的 Off-Log 和 Log-Scaled 几何描述为具有置换不变性与计算效率。具体注意力运算、几何映射、损失函数以及训练和推理流程尚未验证，不能据摘要进一步推断网络结构。 作者报告，在三个 EEG 基准数据集上的广泛评估支持 CorAtt 的有效性。摘要未提供数据集名称、解码任务、被试数量、数据划分、Within-subject 或 Cross-subject 等评估协议，也未给出指标数值与对照结果，因此尚不能判断收益大小、跨被试泛化能力或与协方差流形方法的差异。实验协议、消融及统计信息尚未验证。 复现时应重点核对相关矩阵的构造与满秩条件、两个几何实现的差异，以及尺度不变性和注意力机制各自的贡献；尺度不变性本身并不等于对 EEG 噪声或分布变化的鲁棒性。摘要提供了代码及补充材料地址，但实现完整性、运行条件和补充实验内容尚未核验。