HEEGNet: Hyperbolic Embeddings for EEG¶

会议: ICLR 2026
arXiv: 2601.03322
代码: GitHub
领域: 脑机接口/几何深度学习
关键词: EEG, 双曲空间, 域适应, 层次结构, 脑机接口

一句话总结¶

首次系统验证EEG数据具有双曲性（层次结构），提出HEEGNet混合双曲网络架构，结合欧几里得编码器提取时空频谱特征和双曲编码器捕捉层次关系，配合创新的粗到细域适应策略(DSMDBN)，在视觉诱发电位、情感识别和颅内EEG多个跨域任务上达到SOTA。

研究背景与动机¶

领域现状¶

领域现状：EEG脑机接口因被试间/会话间分布偏移导致泛化差。域适应方法（矩对齐）是当前SOTA，但在大偏移下失效。EEG解码几乎完全基于欧几里得嵌入。

现有痛点：(1) 大脑的视觉处理、情感调节等认知过程具有层次结构，但欧几里得空间难以高效表示层次数据——圆的周长线性增长而树节点数指数增长；(2) 仅做矩对齐无法保证正迁移，特别在大域偏移下。

核心矛盾：EEG特征的层次结构→需要指数级表达力→欧几里得空间不够→但双曲神经网络还未被系统探索用于EEG。

切入角度：先验研究发现EEG具有双曲性（\(\delta_{rel}\)低），双曲MLR替换欧几里得MLR就能提升跨域性能→证明双曲嵌入确实有助于EEG泛化。

核心 idea：用双曲空间捕捉EEG的层次结构+两阶段域适应(矩对齐→分布对齐)实现跨域泛化。

方法详解¶

整体框架¶

HEEGNet = 欧几里得编码器(时间→空间→时间卷积) → 投影到双曲空间 → 双曲卷积层 → DSMDBN域适应 → 双曲MLR分类器。

关键设计¶

混合欧几里得-双曲架构:
- 功能：欧几里得卷积提取频谱-空间-时间特征，投影后双曲卷积精炼层次关系
- 核心思路：3层EEGNet风格卷积 → ProjX投影到Lorentz模型 \(\mathbb{L}_K^n\) → 双曲点卷积
- 设计动机：欧几里得卷积擅长信号处理（有神经生理学解释），双曲空间擅长表达层次关系。混合取各自所长。
DSMDBN (两阶段域适应):
- 第一阶段 DSMDBN(1)：Riemannian批归一化做域特异矩对齐（双曲空间中的centering=gyro减法，scaling=gyro乘法）
- 第二阶段 DSMDBN(2)：最小化HHSW散度将每个源域分布对齐到标准双曲高斯 \(\mathcal{N}(\bar{0}, 1)\)
- 设计动机：仅矩对齐不够（大偏移下失效），加上分布对齐提供理论保证。先矩后分布=粗到细。
Lorentz模型操作:
- 双曲加法(gyroaddition)、标量乘法(gyromultiplication)、逆元(gyroinverse)
- Fréchet均值和方差在Lorentz模型上的定义
- 双曲MLR利用点到超平面的双曲距离做分类

损失函数 / 训练策略¶

分类loss + HHSW分布对齐loss
域特异动量批归一化：训练时衰减动量更新，测试时固定动量
Riemannian Adam优化器

实验关键数据¶

先验研究¶

数据集	\(\delta_{rel}\)原始EEG	\(\delta_{rel}\)嵌入层	说明
Nakanishi	低	低	视觉
Wang	低	低	视觉
Seed	低	低	情感
Faced	低	低	情感
Boran	低	低	颅内

→ 所有数据集都展示低 \(\delta_{rel}\)，确认EEG的双曲性。

主实验¶

跨被试/跨会话适应：

方法	视觉EEG	情感EEG	颅内EEG	平均
EEGNet	基线	基线	基线	基线
EEGNet+HMLR	↑	↑	↑	稳定提升
HEEGNet	SOTA	SOTA	SOTA	全面最优

关键发现¶

仅把MLR换成双曲MLR就能在所有数据集上提升→双曲几何确实更适合EEG
t-SNE可视化显示双曲嵌入的类别分离性明显优于欧几里得
DSMDBN的两阶段策略比仅矩对齐有显著提升
在运动想象数据集（不报告层次性）上也有提升→可能存在未被识别的层次结构

亮点与洞察¶

首次系统验证EEG的双曲性：\(\delta_{rel}\) 量化分析+多数据集验证，为这个方向提供了坚实的实证基础。
混合架构的合理性：不是纯双曲（那样会丢失信号处理先验），而是先用欧几里得提取有意义的特征再映射到双曲空间——这是值得其他领域借鉴的设计哲学。
DSMDBN的粗到细：矩对齐→分布对齐是一个自然的两步策略，前者拉近均值和尺度，后者对齐整体形状。

局限与展望¶

双曲操作计算开销比欧几里得大（指数/对数映射），对实时BCI有影响
曲率K作为超参数需要调优，自适应曲率学习可能更好
HHSW在高维可能需要大量投影方向才准确
颅内EEG各被试电极数不同，限制了跨被试的实验设置

评分¶

新颖性: ⭐⭐⭐⭐⭐ EEG双曲性的系统论证+混合双曲架构都是首次
实验充分度: ⭐⭐⭐⭐⭐ 先验研究→多数据集→多任务→消融全面
写作质量: ⭐⭐⭐⭐ 背景知识介绍充分，方法描述清晰
价值: ⭐⭐⭐⭐ 为EEG解码引入新的几何视角，开辟双曲EEG方向