偏移来自每个被试的前向矩阵
EEG 记录的头皮电压，是潜在脑源经过被试特定前向过程混合后的结果。论文将一个 epoch 建模为 x = A_j s，其中 s 为互不相关的潜在源，A_j 是与头几何、传感器位置等因素相关的域特定可逆前向矩阵。由于 A_j 因被试而异，即使潜在源协方差 E 保持稳定，观测到的传感器协方差 C = A_j E A_j^T 也会不同。
这是一种潜在模型偏移，而非源到标签关系的变化。论文假设标签通过一个共享线性模型依赖于潜在源协方差的对数，因此一旦去除 A_j 引起的差异，一个共享回归模型就应能跨域迁移。正是这一假设使对齐目标得以明确。
极分解把偏移拆成均值与旋转
论文利用方阵可逆矩阵极分解的唯一性，将每个前向矩阵分解为 A_j = Q_j exp(P_j)。其中 exp(P_j) 是域特定过渡，Q_j 是正交矩阵。在 SPD 流形上，这对应两种几何操作：均值偏移，对应所有通道相似发生的全局功率变化；旋转偏移，对应不同类别间存在差异的尺度变化。
这一分解是论文的核心理论主张：前向建模偏移可以仅通过 SPD 流形上的线性变换恢复，具体是先做均值匹配，再做一次全局旋转。它也解释了此前黎曼对齐方法为何有效却缺乏理论说明，并指出了对齐流程所需的两种操作。
SPDAlign 先对齐均值再估计一次旋转
SPDAlign 是一个端到端黎曼网络，包含三部分：将原始 EEG 映射到 SPD 流形的特征提取器、对齐模块，以及共享线性分类器。对齐模块先将每个域的 Fréchet 均值重新中心化到单位矩阵，再施加一个正交变换。训练分两阶段：前 70% 迭代在不做旋转对齐的情况下训练特征提取器，随后冻结提取器，估计并施加旋转，再在对齐后的表示上微调分类器。
旋转的估计方式因场景而异。在源域训练时，正交 Procrustes 利用标签构建类别约束的对应关系，随机选取一个参考域，并通过下采样使各类别样本数相等。在目标域推断时，不使用任何目标标签：Wasserstein Procrustes 联合估计正交矩阵以及参考源域与目标域之间的对应关系，初始化为单位矩阵，以 0.01 的学习率优化 50 个 epoch。若存在标签偏移，可将 Wasserstein 项替换为放松边际约束的非平衡最优传输。
oracle 差距把旋转估计锁定为瓶颈
为检验前向建模是否真的是跨被试偏移的主要来源，作者评估了一个 oracle 变体：仅使用目标标签通过经验风险最小化估计正交变换，分类器保持固定且共享。oracle 在各数据集上的高性能支持了这一主张：跨被试偏移的相当一部分可通过条件旋转对齐解决，而无监督设置下剩余的差距主要来自旋转估计不理想，而非模型不匹配。
这一区分对解读头条数字很重要。无监督 SPDAlign 结果与 oracle 结果回答的是不同问题：前者是方法在无目标标签下达到的水平，后者是若旋转已知、假设的偏移模型能达到的水平。论文报告在四个下游任务中的三个上达到当前最优，但与 oracle 的差距才是关于未来工作重点的更有信息量的信号。
旋转对齐比均值对齐权重更大
消融实验报告了所有测试集相对于完整配置的平衡准确率总平均变化。保留矩对齐但去掉旋转对齐，准确率平均下降 5.6 个百分点（t = 2.37，p = 0.02），具有统计显著性。保留旋转但去掉矩对齐，平均下降 2.5 个百分点（t = 0.82，p = 0.4），不显著。两者都去掉，准确率平均下降 11.3 个百分点（t = 3.58，p = 0.0006）。
作者指出一个影响如何解读矩对齐那一行的注意事项：其实现使用跨域的全局参考均值，若没有它性能会退化到随机水平，因此部分矩对齐已被隐式强制。这种隐式对齐降低了显式矩步骤的表观贡献，这也是旋转组件在该表中显得相对更关键的原因。
全局线性让分类器权重可映射回源
由于 SPDAlign 由线性特征提取器、线性流形变换和线性分类器组合而成，它保持全局线性，等价于切空间映射框架。这意味着分类器权重可以映射回传感器空间，所得空间模式反映源-传感器关系和源贡献。论文认为，这对识别哪些测量通道和频率承载某一认知过程、以及构建可信的临床 BCI 系统都很重要。
在心理负荷数据集上，提取的模式在 theta 频段达到峰值，判别性源活动集中在前额和顶叶区域。作者将其呈现为与识别这些区域和该频段为心理负荷标志的神经科学研究一致。这是锚定于一个数据集和一个类别对比的解释，因此它展示的是该框架的读出方式，而非确立一个普遍的神经生理学结论。
证据止于何处以及该关注什么
评估覆盖四个公开基准数据集——运动想象、负荷估计、心理压力和驾驶疲劳——在每个数据集内采用跨被试解码方案，并与深度学习模型、EEG 基础模型、几何框架以及其他无监督域适应方法比较。论文自身的局限是计算成本：基于特征分解的操作将框架限制在中等维度的 SPD 特征上。研究也仅限于离线评估，不过作者描述了通过跟踪运行统计量并使用在线 Wasserstein 估计扩展到在线自适应的方式。
仿真显示，在极端旋转偏移或类别可分性有限时，无监督旋转估计会退化，因为当类别条件结构重叠时，分布层面的最优传输可能配对语义不匹配的点，从而使估计的全局旋转产生偏差。由此得出的实践优先级是该框架特有的：把旋转估计质量而非均值对齐步骤视为无监督跨被试性能的约束瓶颈，并在期待无标签路径接近 oracle 之前，先检查类别可分性和旋转偏移的大小。
本文引用的文献
SPDAlign: Interpretable Riemannian Alignment for EEG Forward Modeling Shifts
SPDAlign 在 SPD 流形上对齐域特定 Fréchet 均值并校正全局旋转，在四个公开 EEG 数据集中的三个上无需目标标签即达到当前最优跨被试解码，其中旋转对齐是具统计显著性的组件。