I\textsuperscript{2}RiMA: Spectral Riemannian Representation with Temporal Attention for Mental Stress Detection based on EEG Signals

Cross-subject EEG stress detection remains challenging because discriminative stress-related patterns are both subject-dependent and frequency-specific. Conventional Riemannian methods model spatial covariance mainly in the time domain, overlooking neural oscillations that are critical for high-level cognitive state decoding, while standard temporal tokenization often fragments inter-slice temporal coherence. To address these limitations, we propose \method{}, an Intra-Inter Riemannian Manifold Attention Network for EEG-based stress detection. \method{} constructs spatial covariance matrices independently at each frequency point and maps them to the SPD tangent space, preserving channel-wise geometry together with frequency-specific discriminative cues. It further introduces frequency cluster aggregation to select informative spectral components and reduce redundancy by forming compact, data-driven frequency clusters aligned with EEG rhythms. Finally, an intra-inter slice attention module adaptively integrates local slice-level spectral dynamics and global temporal context across EEG sequences. Experiments on three datasets show that \method{} consistently outperforms five state-of-the-art baselines, achieving up to 82.78\% balanced accuracy while remaining efficient with only 1.60M parameters and 31.95M FLOPs.

한 줄 요약

I²RiMA는 주파수별 리만 기하학적 표현과 시간적 어텐션을 결합하여 EEG 기반 정신적 스트레스 감지 성능을 향상시킨다.

핵심 기여도

주파수별 독립적인 공분산 행렬을 생성하고 SPD 접공간으로 매핑하여 채널 기하학과 주파수별 구분 정보를 보존.
데이터 기반 주파수 클러스터 집약 모듈을 도입하여 정보성 스펙트럼 성분을 선택하고 중복을 제거.
Intra-Inter Slice Attention 모듈을 통해 EEG 시퀀스 내 로컬 슬라이스와 글로벌 시간 맥락을 적응적으로 통합.
MIST Control, MIST Stress, SEED 데이터셋에서 최대 82.78%의 balanced accuracy를 달성하며 1.60M 파라미터, 31.95M FLOPs로 효율적.

핵심 아이디어

기존 리만 기하학 기반 방법은 시간 영역에서만 공분산을 모델링하여 고차원 인지 상태 해석에 필요한 뉴런 진동을 무시하는 한계가 있었다. 또한, 표준 시간 토크나이제이션은 슬라이스 간 시간적 일관성을 해치는 경향이 있다. I²RiMA는 이 문제를 해결하기 위해 주파수별로 독립적인 공분산 행렬을 생성하고 SPD 접공간으로 매핑함으로써 채널 기하학과 주파수별 구분 정보를 동시에 보존한다. 이는 `frequency cluster aggregation` 모듈을 통해 데이터 기반 주파수 클러스터를 형성하여 정보성 스펙트럼 성분을 선택하고 중복을 제거함으로써 가능하다. 또한, `intra-inter slice attention` 모듈은 슬라이스 내 로컬 스펙트럼 구조와 슬라이스 간 글로벌 시간 의존성을 동시에 포착하여 EEG 시퀀스의 시간적 맥락을 모델링한다.

기술적 접근법

**Frequency-aware Riemannian Modeling**: 주파수별로 독립적인 공분산 행렬을 생성하고 SPD 접공간으로 매핑.
**Frequency Cluster Aggregation**: 데이터 기반 주파수 클러스터를 형성하여 정보성 스펙트럼 성분을 선택.
**Intra-Inter Slice Attention**: 슬라이스 내 로컬 스펙트럼 구조와 슬라이스 간 글로벌 시간 맥락을 적응적으로 통합.
**하이퍼파라미터**: 총 1.60M 파라미터, 31.95M FLOPs.

주요 결과

MIST Control: 77.59% B.ACC (기존 최고 대비 +8.23%)
MIST Stress: 75.88% B.ACC (기존 최고 대비 +9.95%)
SEED: 82.78% B.ACC (기존 최고 대비 +5.85%)
AUC: 95.61%/94.57%/94.45% (각각의 데이터셋에서)

의의 및 한계

I²RiMA는 기존 리만 기하학 방법의 시간 영역 중심 한계를 극복하고, 주파수별 구분 정보와 시간적 맥락을 동시에 고려함으로써 정신적 스트레스 감지의 정확도를 크게 향상시켰다. 특히, `intra-inter slice attention` 모듈은 시간적 일관성을 유지하면서도 슬라이스별 정보를 효과적으로 통합하는 데 기여했다. 그러나 모델은 여전히 오프라인 EEG 데이터에 기반하며, 실시간 적용 가능성은 추가 연구가 필요하다. 또한, 주파수 클러스터링이 데이터에 따라 변동할 수 있어 일반화 가능성에 대한 추가 검증이 필요하다.

실용적 활용

I²RiMA는 스트레스 감지 기반의 폐루프 감정 조절 시스템 구축에 활용될 수 있으며, 특히 휴대용 EEG 장비와 결합하여 일상적인 스트레스 모니터링에 적용 가능하다. 또한, 정신 건강 관리, 교육, 작업 환경에서의 실시간 피로도 감지에도 유용하게 사용될 수 있다.