脳波（EEG）信号を用いたストレス検出は、個人差や周波数特性によって異なるストレスパターンを識別する必要があるため、被験者間での汎化が大きな課題となっています。既存のリーマン幾何学的手法は主に時間領域での空間共分散行列をモデル化していますが、高度な認知状態の解読に重要な神経振動を十分に考慮していません。また、標準的な時間トークン化手法は時間スライス間の連続性を損なう傾向があります。 こうした問題に対応するため、研究チームは「I²RiMA」（Intra-Inter Riemannian Manifold Attention Network）というEGベースのストレス検出向けニューラルネットワークを提案しました。このモデルの特徴は、各周波数ポイントで独立に空間共分散行列を構築し、SPD接空間にマップすることで、チャネル間の幾何学的構造と周波数固有の判別情報を同時に保持する点にあります。さらに周波数クラスタ集約機構により、EEGリズムと整合した小規模で効率的な周波数クラスタを形成し、情報量の多いスペクトル成分を選別して冗長性を削減しています。 加えて、層内層間注意モジュールがスライスレベルのスペクトル動態とEEG全体にわたるグローバルな時間コンテキストを適応的に統合します。三つのデータセットでの実験結果は、このI²RiMAが既存の最先端手法5種類を一貫して上回り、バランス精度82.78％を達成する一方で、わずか1.60Mパラメータと31.95M FLOPsという効率性を維持していることを示しています。