面向对称正定（SPD）矩阵序列的结构保持 Transformer

基于摘要分析。研究针对对称正定（SPD）矩阵序列的分类问题，提出一种在分析过程中保持其黎曼几何结构的 Transformer 自注意力机制，并将其用于 EEG 自动睡眠分期。核心贡献是将序列上下文建模与非欧几何结构保持结合，而非仅对孤立的协方差矩阵进行分类。 方法以 EEG 衍生的协方差矩阵时间序列为输入。协方差矩阵的 SPD 结构为黎曼几何分析提供了基础，注意力机制则用于处理序列中的上下文依赖。摘要明确提出在整个分析过程中保持几何结构，但未提供注意力计算、位置编码、几何映射、损失函数或训练与推理流程的具体形式，这些内容尚未验证，不能据此认定采用了某一种流形运算或网络架构。 作者报告，在一个标准数据集的 EEG 自动睡眠分期任务上取得了较高的分期类别表现；摘要未给出数据集名称、被试数量、被试内或跨被试划分、对照基线及具体指标，因此目前无法判断改善幅度或与其他方法直接比较。实验协议、消融及统计信息尚未验证。 复现时需从全文核对 EEG 预处理、协方差估计及正定性保障、序列构造、几何保持操作和评估划分，并确认各睡眠阶段的指标定义及类别不平衡处理。该工作已有明确的 EEG 应用，但睡眠分期结果不等同于其他 BCI 解码任务中的有效性。