EEG-ReMinD：通过自监督状态重建预引导的黎曼动力学增强神经退行性疾病 EEG 解码

基于摘要分析。该研究面向神经退行性疾病相关 EEG 解码中的数据稀缺、被试差异与精确标注需求，提出两阶段方法 EEG-ReMinD，将自监督状态重建与黎曼几何下的时间动态建模结合，以降低对监督标签的依赖并应对 EEG 数据损坏。其主要研究对象是疾病相关 EEG 解码，摘要提及 BCI 应用背景，但未提供具体 BCI 任务的验证结果。 机制方面，作者描述的方法结合自监督学习、几何学习与注意力机制，在黎曼几何框架下分析 EEG 特征的时间动态，并将其称为 Riemannian dynamics。摘要未说明状态的定义、重建目标、几何特征的构造、两阶段训练与衔接方式，也未给出注意力模块及损失函数的细节，因此不能据此确定实现结构或具体创新边界。 结果方面，作者报告在涉及两种不同神经退行性疾病的完整及损坏数据上进行了比较分析，EEG-ReMinD 表现有所提升。摘要未列出疾病名称、数据集、被试数、解码任务、损坏类型与强度、对照方法或具体指标；被试内、跨被试及跨会话划分也尚未明确，因而目前不能量化提升幅度或确认其跨被试泛化能力。 复现时需核对状态重建是否仅使用训练划分、几何表征与时序建模各自的贡献，以及完整与损坏数据的评估是否采用一致协议。这些均为待核对事项，不代表作者未开展相关实验。实验协议、消融及统计信息尚未验证，代码与复现条件亦未由所给材料确认。