Nowa metoda I2RiMA znacząco usprawnia detekcję stresu z EEG poprzez połączenie reprezentacji riemannowskiej z uwagą spektralną i czasową. Problem polega na tym, że wzorce związane ze stresem zmieniają się między osobami i są zależne od konkretnych częstotliwości - dotychczasowe podejścia modelujące kowariancję przestrzenną głównie w domenie czasu pomijały oscylacje neuronalne kluczowe dla dekodowania stanów poznawczych.
Autorzy zaproponowali zamiast tego konstruować macierze kowariancji niezależnie dla każdego punktu częstotliwości, a następnie mapować je do przestrzeni stycznej SPD, zachowując zarówno geometrię kanałów, jak i charakterystyczne cechy specyficzne dla częstotliwości. Sieć wprowadza też agregację klastrów częstotliwości - wybiera komponenty spektralne zawierające największą informację i redukuje redundancję poprzez tworzenie zwartych, adaptacyjnych klastrów wyrównanych z rytmami EEG. Moduł attention intra-inter-slice adaptacyjnie integruje dynamikę spektralną na poziomie lokalnych segmentów z globalnym kontekstem czasowym.
Eksperymenty na trzech zbiorach danych pokazują, że I2RiMA konsekwentnie przewyższa pięć istniejących metod, osiągając zbalansowaną dokładność do 82,78 procent. Przy tym pozostaje wydajna - wymaga zaledwie 1,60 miliona parametrów i 31,95 miliona FLOP-ów, co czyni ją praktyczną do zastosowań w monitorowaniu stresu.