Simple Geometric Recentering Rivals Deep Sequence Models for Cross-Session EEG Motor-Imagery Decoding

ABSTRACT

中文摘要

越来越多的工作在 EEG 运动想象（MI）解码中采用日益复杂的深度架构，但很少在相同条件下以强大的简单几何基线检验这种复杂性是否确有必要。我们在 8 个公开 MI 数据集（3–128 个通道、2–3 个类别，包含单 session 和多 session）上开展受控基准测试：固定特征表示，仅改变解码器。核心方法 Geometry-Aware 是 SPD 流形上的紧凑切空间流程，并在测试时进行无监督重中心化；我们将其与 3 种经典黎曼基线（TS+SVM、FgMDM、MDM）以及基于既有架构的深度模型（双向 Mamba 混合专家 BiMamba+MoE、两个简化消融版本和 SPDNet 风格网络）比较，所有模型均使用相同的单频带协方差特征。在跨 session 的 88 个被试级观测和 session 内的 120 个观测中，Geometry-Aware 在跨 session 平均排名最佳，在 session 内平均排名并列最佳（原始排名第二，但在临界差异检验中与 TS+SVM 无显著差异）。其跨 session 优势很大且具有统计决定性：多重比较校正后优于所有竞争方法，效应量大（Cohen's d=1.06–1.50；所有 p_FDR<1.1×10^-12）；而在 session 内，它与不进行重中心化的 TS+SVM 变体之间没有显著差异（d=-0.00，p=0.54）。这种跨 session / session 内的双重分离表明，起主要作用的是重中心化，而不是一般性的模型容量。尽管特征和训练预算匹配，深度序列模型（Mamba 变体）在两种协议下都明显落后于所有经典黎曼方法；SPDNet 基线优于 MDM，但在相同特征下仍未超过简单的切空间流程。我们认为，这是一个对“是否需要更复杂架构”这一评审式问题的积极且控制良好的回答。论文同时指出了限制，包括深度模型比较的公平性、缺少直接机制探针以及数据集范围有限，并将这些限制转化为下一步的具体研究方向。