LAtte：面向跨主体 EEG 分类的双曲 Lorentz 注意力
机器学习
2026-05-18 v2
摘要
脑电图（EEG）分类在医学诊断和脑机接口中发挥着关键作用，但由于信噪比低和主体间差异大，仍面临较大挑战。许多现有方法依赖于主体特定模型，这些模型无法利用神经信号中的共享结构，也无法对未见主体进行泛化。为此，我们提出了 LAtte，一个结合 Lorentz 注意力与双曲 InceptionTime 编码器的框架，用于提高 EEG 分类中的跨主体泛化能力。该模型显式地将 EEG 信号分解为学习得到的基线成分和任务相关的偏差，从而实现更结构化的表征学习。为进一步提高鲁棒性和适应性，我们在编码器和解码器层级引入了主体特定的低秩适应（LoRA）模块，并配合基于 Lorentz 提升的 LoRA 机制和双曲投影层，以减少几何表征中的过拟合。我们在三个设置下评估了 LAtte（包括是否微调、主体特定、主体条件以及留单主体检验），分别在五个经典 EEG 数据集上进行测试，相较于当前最先进的方法，在较小数据集上实现持续的性能提升，而在较大数据集上保持稳定的性能水平。
引用
@article{arxiv.2603.10881,
title = {LAtte: Hyperbolic Lorentz Attention for Cross-Subject EEG Classification},
author = {Ahmad Bdeir and Johannes Burchert and Tom Hanika and Lars Schmidt-Thieme and Niels Landwehr},
journal= {arXiv preprint arXiv:2603.10881},
year = {2026}
}