Europe PMC（brain-computer interface · PubMed）· Yan T, Zhang A, Yang Z, Su H, Ma Y, Wu Y, Yan L, Wang Y, Guo F, Cao J.·· 2026-09-21AI 评分28
Aug-SPD-AttentionNet：基于增广协方差矩阵与自注意力机制的深度黎曼几何运动想象脑机接口分类框架
A novel motor imagery brain-computer interface classification framework based on augmented covariance matrix: deep Riemannian geometry learning with self-attention mechanism.
AI 导读
研究提出 Aug-SPD-AttentionNet，一个结合滞后增广协方差表示、可学习高维嵌入层与 SPD 流形自注意力的深度黎曼几何学习框架，用于运动想象脑机接口分类。
AI 要点
团队
作者为 Yan T、Zhang A、Yang Z 等，末位作者 Cao J。
主要结果
在 BCI Competition III Dataset IVa、BCI Competition IV Dataset I、BCI Competition IV Dataset 2a 上取得平均分类准确率；消融实验中三名受试者平均准确率从 70.60% 提升至 82.62%，较基线 SPDNet 提高 12.03 个百分点。
解决什么问题
针对运动想象信号非线性、非平稳导致的识别准确率低、稳定性差，以及传统黎曼几何方法需人工特征提取、分类性能欠佳的问题。
方法
提出 Aug-SPD-AttentionNet 深度黎曼几何学习框架，结合滞后增广协方差表示、可学习高维嵌入层和定义在 SPD 流形上的自注意力；用多个深度黎曼学习块提取流形感知特征，并以黎曼自注意力捕捉不同 SPD 表示间的长程依赖。
局限
从研究设计看，评估基于公开竞赛数据集，消融实验仅涉及三名受试者。
AI 依据原文整理，未经人工核对。
来源：Europe PMC（brain-computer interface · PubMed） · doi.org