본 논문은 기존의 EEG(뇌파) 기반 모델들이 뇌 활동의 기하학적 구조를 고려하지 않고 일반적인 시계열로 취급하는 한계를 지적하며, 이를 해결하기 위해 새로운 기하학적 딥러닝 프레임워크인 ManifoldFormer를 제안한다. ManifoldFormer는 뇌파 데이터를 저차원 매니폴드로 표현하고, 기하학적 구조를 보존하는 Riemannian VAE, 측지선을 고려한 어텐션 메커니즘을 사용하는 기하학적 Transformer, 그리고 매니폴드 제약 조건 하에서 시간적 진화를 예측하는 Neural ODEs를 활용한다. 네 개의 공개 데이터셋에 대한 광범위한 평가 결과, 기존 SOTA(최첨단) 모델보다 높은 정확도와 Cohen's Kappa를 보였으며, 견고한 교차 피험자 일반화 성능을 입증했다. 또한 기하학적 접근 방식은 신경생리학적 원리에 부합하는 의미 있는 신경 패턴을 보여주며, 효과적인 EEG 기반 모델에 기하학적 제약 조건이 필수적임을 강조한다.
