中国科学院团队在2026年7月1日提交至arXiv的机器学习论文中提出了I²RiMA（Intra-Inter Riemannian Manifold Attention Network），一种用于跨被试脑电信号（EEG）心理压力检测的新型网络架构。该论文由Cheng He等六位作者完成，提交编号为arXiv:2607.01279，属于机器学习（cs.LG）分类。
研究指出，跨被试EEG压力检测之所以困难，是因为具有判别力的压力相关模式既依赖于被试个体，又具有频率特异性。传统的黎曼几何方法主要在时域上建模空间协方差矩阵，忽略了神经振荡这一对高层认知状态解码至关重要的信息；而常规的时间序列分词（tokenization）方式往往会割裂相邻时间片段之间的时序连贯性。这两点构成了现有方法的主要局限。
针对上述问题，I²RiMA在多个层面进行了重新设计。首先，模型在每个频率点上独立构造空间协方差矩阵，并将其映射到对称正定（SPD）切空间，从而在保留通道间几何结构的同时，也保留了频率特异的判别线索。其次，模型引入频率簇聚合机制，通过形成紧凑的、数据驱动的频率簇来筛选有用频谱成分、减少冗余，并使这些频率簇与EEG节律相对齐。最后，模型设计了一个片内—片间注意力模块（intra-inter slice attention），能够自适应地整合局部片段级的频谱动态与整段EEG序列的全局时序上下文。
在三个数据集上的实验表明，I²RiMA 一致优于五个当前最先进的基线方法，平衡准确率最高达到82.78%。同时，该模型保持了较高的计算效率，参数量仅为160万，浮点运算量为3195万次（31.95M FLOPs）。论文全文可通过arXiv获取，包括PDF、实验性HTML版本以及LaTeX源码，并提供了DOI链接。
从方法意义上看，该工作把黎曼流形表示从传统的时域协方差建模扩展到频率维度，并通过注意力机制弥补了时间片段化带来的信息损失，为可穿戴EEG设备上的跨被试压力监测提供了一条兼顾精度与轻量化的技术路线。不过，论文目前仅给出摘要级信息，具体的数据集构成、跨被试划分方式以及消融实验结果仍需查阅全文进一步确认。