RepSPD：通过动态图增强 EEG 中的 SPD 流形表示
人工智能
2026-02-27 v1
摘要
从电脑神经图（EEG）解码脑活动对于神经科学和临床应用至关重要。在近期的深度学习用于 EEG 的进展中，几何学习尤为突出，因为其在对称正定（SPD）上的理论基础允许以基于物理的方式揭示结构性连通性分析。然而，当前的 SPD 方法主要关注 EEG 的统计聚合，忽略了频率特异的同步和脑区局部拓扑结构。鉴于此，我们提出 RepSPD，一种新的几何深度学习（GDL）模型。RepSPD 在黎曼流形上实现跨注意力机制，以调制 SPD 的几何属性，结合图派生的功能连通性特征。此外，我们引入全局双向对齐策略来重塑切向空间嵌入，减轻曲率导致的几何畸变，从而增强几何一致性。大量实验表明，我们提出的框架显著优于现有的 EEG 表示方法，具有卓越的鲁棒性和泛化能力。
引用
@article{arxiv.2602.22981,
title = {RepSPD: Enhancing SPD Manifold Representation in EEGs via Dynamic Graphs},
author = {Haohui Jia and Zheng Chen and Lingwei Zhu and Xu Cao and Yasuko Matsubara and Takashi Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2602.22981},
year = {2026}
}