摘要
脑电图（EEG）提供了一种无创且时间分辨率高的方法来解码认知状态，但由于自注意力（self-attention）的计算复杂度与通道数量呈二次方关系，因此高密度记录对于基于Transformer的模型来说仍然具有挑战性。此外，传统的欧几里得表示方法无法完全捕捉EEG协方差特征的内在几何结构，这可能限制了模型在跨受试者场景中的鲁棒性。为了解决这些问题，我们提出了EEG-RCformer，一种基于黎曼几何的通道聚类Transformer用于EEG解码。该模型首先从窗口化的EEG数据中计算每个通道的对称正定（SPD）协方差矩阵，并使用仿射不变的黎曼度量（AIRM）来识别特定于实验的任务关键节点（functional hubs）。然后，这些关键节点与受容量限制的空间聚类结合，生成在解剖学上合理且在计算上高效的通道组，这些通道组被编码为Transformer分类器的输入特征。我们在MODMA和SEED数据集上对EEG-RCformer进行了评估，在受试者依赖和独立两种范式下，其曲线下面积（AUC）值分别为0.9802（MODMA）和0.7154（SEED），以及0.8541（MODMA）和0.8011（SEED）。配对统计测试进一步显示，在受试者依赖和独立两种范式中，EEG-RCformer在MODMA上都有显著提升；而在SEED数据集中，仅在受试者依赖的范式中显示出有限但统计学上不显著的改善。
