简单几何重心校准在跨会话脑电运动想象解码中可与深度序列模型媲美

大量且仍在不断增长的研究工作将日益复杂的深度架构应用于脑电图（EEG）运动想象（MI）解码，但鲜有研究在完全相同的条件下检验：相较于一个强有力且简单的几何基线，这种复杂性是否真正合理。我们报告了一项受控基准评测，涵盖8个公开的MI数据集（3–128通道，2–3类，包含单会话与多会话设置），在固定特征表示的前提下，仅改变解码器。核心方法——一种在SPD流形上的紧凑切空间流程，并结合无监督测试时重中心化，此处称为Geometry-Aware——被用于与三种经典黎曼基线方法（TS+SVM、FgMDM、MDM）以及一组基于我们既有架构构建的深度模型进行比较；这些深度模型包括双向Mamba混合专家模型（BiMamba+MoE）及其两个简化消融变体，以及一种SPDNet风格网络，且它们全部使用相同的单频带协方差特征。 在跨会话的N=88个受试者层面观测和会话内的N=120个观测上，Geometry-Aware在跨会话设置下取得了最佳平均排序，在会话内设置下则在统计意义上并列最佳（按原始排序位列第二，但在临界差异检验下与TS+SVM不可区分）。其跨会话优势显著且在统计上具有决定性——在多重比较校正后，它优于所有竞争方法，并具有较大的效应量（Cohen's d=1.06–1.50；所有p_FDR

大量且持续增长的研究工作将日益复杂的深度架构应用于脑电图（EEG）运动想象（MI）解码，然而很少有研究在相同条件下检验这种复杂性相对于一个强有力且简单的几何学基线是否真正合理。我们报告了一项受控基准测试，涵盖八个公开的 MI 数据集（3–128 通道，2–3 类，包含单会话与多会话设置），在固定特征表示的前提下，仅改变解码器。核心方法——一种在 SPD 流形上的紧凑切空间流程，并结合无监督测试时重中心化，在本文中称为 Geometry-Aware——被用于与三种经典黎曼几何基线（TS+SVM、FgMDM、MDM）以及一组基于我们此前架构构建的深度模型进行比较，这些深度模型包括双向 Mamba 专家混合模型（BiMamba+MoE）及其两个简化消融变体，以及一个 SPDNet 风格网络；所有模型均使用相同的单频带协方差特征。对于跨会话的 N=88 个受试者水平观测和会话内的 N=120 个受试者水平观测，Geometry-Aware 在跨会话设置下取得了最佳平均秩，在会话内设置下则在统计意义上并列最佳（按原始秩次为第二，但在临界差异检验下与 TS+SVM 无法区分）。其跨会话优势显著且具有统计决定性——在多重比较校正后，它优于所有竞争方法，并表现出大的效应量（Cohen's d=1.06–1.50；所有 p_FDR

作者声明不存在竞争性利益关系。

感谢您有兴趣帮助传播 bioRxiv 的内容。

---

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.736991v1?rss=1

🏷️ 脑电运动想象 跨会话解码 黎曼几何 切空间映射 重心校准 深度序列模型