I²RiMA：基于脑电图信号的心理压力检测中的频谱黎曼表示与时间注意力机制
本文提出I²RiMA网络，通过在每个频率点独立构建空间协方差矩阵并映射到SPD切空间，结合频率聚类聚合和帧间注意力模块，有效提升了跨被试脑电图压力检测的准确性。在三个数据集上达到82.78%的平衡准确率，且参数量仅1.60M。
近日，一项发表于arXiv上的研究（论文编号：2607.01279）提出了一种名为I²RiMA的新型神经网络，旨在解决基于脑电图（EEG）信号的跨被试心理压力检测难题。该研究指出，传统的黎曼方法主要是在时域中建模空间协方差，这忽略了对于高级认知状态解码至关重要的神经振荡信息；而标准的时间序列标记化方法往往会被坏时间切片之间的连贯性。为了克服这些限制，I²RiMA网络首先在每个频率点上独立构建空间协方差矩阵，并将其映射到对称正定（SPD）切空间，从而保留通道间的几何结构以及频率特定的判别特征。接着，网络引入频率聚类聚合模块，该模块通过形成与脑电图节律（如δ、θ、α、β等）对齐的紧凑数据驱动频率聚类，选择信息丰富的频谱成分并减少冗余。最后，一个帧内-帧间注意力模块被用来自适应地整合EEG序列中的局部切片级频谱动态和全局时间上下文。研究者在三个公开数据集上进行了评估，结果表明I²RiMA在平衡准确率上最高达到82.78%，并且仅使用了1.60M参数和31.95M次浮点运算，显著优于五个现有的最先进基线模型。该论文由Cheng He等五位作者共同撰写，并于2026年7月1日提交至arXiv的机器学习子领域。实验中使用的三个数据集分别来自不同的实验范式，涵盖了多个被试和压力诱发任务，从而验证了方法的泛化能力。这项工作为脑电图压力检测提供了新的技术路径，有望推动心理健康监测领域的发展，特别是在可穿戴设备的实时压力监测中具有应用潜力。