跳到正文
只看一手#LOSO
10月7日周三
  1. Europe PMC · EEG 方法71

    面向儿童 ADHD 的 EEG 分类特征工程策略：专家、LLM 引导与全特征空间对照策略的受控基准评估

    基于摘要分析。本研究考察儿童 ADHD 的 EEG 分类中，不同特征工程策略在控制信息泄漏后是否仍有优势，并比较专家重构、LLM 引导与全特征空间策略。核心贡献是通过被试级验证及伪迹敏感性分析，检验性能估计与策略排名的稳健性。 研究使用固定队列中的 77 名儿童（45 名 ADHD、32 名对照），以 1,185 个不含 gamma 的 EEG 特征表示数据。作者评估 SVM、GMM、random forest（RF）和 XGBoost，采用嵌套留一被试交叉验证（LOOCV），并将所有数据依赖操作限制在外层训练被试内。专家重构与 LLM 引导策略的具体生成方式、特征筛选流程及调参空间尚未验证。 作者报告，在 100 次重复的分层 10 折交叉验证中，RF/expert 的平均 Accuracy 为 62.8%（SD 3.5%；经验 95% 区间 55.8%—69.5%），平均 Balanced Accuracy 为 62.3%，平均 AUC-ROC 为 0.618；对应的 LOOCV 点估计分别为 71.4%、71.0% 和 0.673。两种评估协议的数值应分别解读。作者另报告 GMM/expert 获得最高 AUC-ROC（0.699），提示模型排名依赖所选指标。 作者报告，专家重构策略在每个分类器上均取得最高 Accuracy 与 Balanced Accuracy，而 LLM 引导策略相对全特征空间未呈现一致优势；分类器间的两两差异经 Holm 校正后不显著，因此不能将数值排名等同于已确认的优势。 预先指定的 200 μV 伪迹门限使 RF/expert 的 Accuracy 降至约 55.8%，低于 58.4% 的无信息基准率；摘要未明确该结果对应的具体验证划分。作者提出两种可能解释：去除了与伪迹有关的信号，或 epoch 数减少导致特征估计更噪。二者尚不能据摘要区分。完整实验协议、消融及统计细节尚未验证；复现需核对数据与特征定义、折内处理流程、LLM 引导过程及伪迹门限实现。作者主张谨慎开展基准评估和外部验证，而非宣称算法或 LLM 优越性。

    阅读价值：该研究在训练折内限制数据依赖操作，对照专家重构、LLM 引导与全特征空间策略，值得核对其验证协议及伪迹敏感性结果，但不能据此认定某种算法或 LLM 策略具有普遍优势。

10月5日周一
  1. Europe PMC · EEG 方法72

    AdaTF-HyperMIL：用于被试独立 EEG 情绪识别的自适应时频融合与双曲多实例学习

    基于摘要分析。该研究针对训练和模型选择均不使用目标被试数据的跨被试 EEG 情绪识别，提出 AdaTF-HyperMIL，将自适应窗口编码、试次级证据选择与跨被试表征学习结合，处理时域与频域贡献变化、同一试次内窗口情绪相关性不均及被试间表征偏移。 机制上，动态时域路由按输入选择不同尺度的贡献，双向跨视图注意力与选择性核门控共同建模时频交互并调整融合权重。可学习查询压缩窗口内 token，基于注意力的多实例学习对窗口加权，使预测与试次级标签监督对应。置信度加权的双曲原型分类与跨被试对比学习进一步将试次加权和跨被试类别组织相连接；具体损失形式、权重设置及双曲空间实现尚未验证。 在嵌套留一被试评估下，作者报告：SEED 三分类 Accuracy 为 95.12%、Macro-F1 为 95.06%；SEED-IV 四分类分别为 82.63% 和 81.59%；DREAMER 唤醒度二分类分别为 82.69% 和 82.16%，效价二分类分别为 81.75% 和 81.68%。这些数值对应各自的数据集与任务，不宜跨任务直接比较。作者报告消融支持各设计阶段的贡献，但相对 MILFNet 的配对增益经 Holm 校正后不显著，因此这些结果不足以支持稳定优于该基线的结论。 复现需核对嵌套评估中的训练与模型选择边界、预处理与窗口划分、试次标签使用方式、基线配置及统计检验细节。被试数量、具体数据划分、消融幅度、代码与运行条件尚未验证；摘要不能替代对完整实验协议和统计信息的核查。

    阅读价值：值得核对其将自适应时频融合、试次级多实例学习与跨被试类别组织连接起来的机制及嵌套留一被试评估，但摘要明确指出相对 MILFNet 的配对增益经 Holm 校正后不显著，不能据此认定稳定优于该基线。

10月1日周四
  1. Europe PMC · EEG 方法70

    用于 EEG 情绪识别的微状态引导动态图神经网络与原型对比学习

    基于摘要分析。本研究针对 EEG 情绪识别中静态连接模板难以跟随脑网络随情绪变化而重组的问题，提出微状态引导的融合框架，将 EEG 微状态信息同时引入特征表示和图结构，并结合原型对比域适应实现跨被试对齐。 机制上，摘要明确提及专用编码器、多源动态图生成器及原型对比域适应。其方法特点是利用微状态信息指导时空表示与动态连接建模，而非仅依赖固定连接模板。微状态的提取与模板构建方式、多源图的具体来源、图更新规则、原型定义、对比损失及训练流程尚未验证，不能据摘要判断各模块的独立贡献。 作者报告，在 SEED 的 subject-independent（被试独立）协议下，模型平均 Accuracy 为 89.64%，并优于所比较的先进基线；摘要另称采用留一被试验证评估跨被试泛化。两项描述的具体对应关系、平均方式、波动范围及基线配置尚未验证，因此不宜与其他划分协议下的结果直接比较。 复现时应重点核对微状态模板是否仅由各折允许使用的数据构建、域适应是否使用目标被试数据及其标签、动态图与微状态模块的消融，以及统计稳定性。这些属于待核对事项，并非已确认的协议问题。作者将 SEED-IV 跨数据集验证和自适应微状态模板选择列为未来工作，当前摘要尚不支持跨数据集有效性的结论。实验协议、消融及统计信息尚未验证，代码与复现资源也未由所给材料确认。

    阅读价值：值得核对微状态信息在特征与动态图两个层面的融合是否带来独立增益，以及原型对比域适应在留一被试验证中如何使用目标被试数据；摘要中的跨被试结果为复现提供了明确切入点。

9月16日周三
  1. Europe PMC · EEG 方法64

    用于 Parkinson's disease 诊断与非运动症状预测的 EEG 功能连接：一种机器学习方法

    基于摘要分析。本研究考察 Parkinson's disease（PD）患者在静息与情绪状态下的 EEG 功能连接，尝试以网络特征支持 PD 诊断分类及非运动症状评估。核心方法是使用 debiased weighted phase lag index（dwPLI）估计连接，并结合 L1 正则化逻辑回归进行分类。 研究包含 14 名 PD 患者和 14 名健康对照。作者以 dwPLI 减轻容积传导对连接估计的影响，分析静息与情绪状态下的网络变化；诊断性能采用严格的被试级留一交叉验证评估，属于跨被试（Cross-subject）评估。作者报告，合并四种状态的 beta 频段模型在该协议下达到 82.14% Accuracy。摘要未完整列出四种状态的定义，结果中的 p 值文本也已截断，因此统计显著性尚未验证。 作者认为，情绪诱发的网络动态可能反映 PD 的睡眠障碍，并将 EEG 功能连接视为诊断分类及非运动症状评估的候选神经生理标志物。不过，所给摘要未呈现症状预测的具体目标、模型、关联强度或预测指标，不能据此确认其预测效果，也不能将分类结果视为临床诊断效用已获验证。 复现时需核对 EEG 采集与预处理、频段和连接特征定义、四状态特征的组合方式，以及特征选择和正则化参数是否在交叉验证训练折内确定。实验协议细节、消融及统计信息尚未验证；作者亦明确指出仍需更大队列验证。该工作属于 EEG 临床分类与症状研究，不等同于已验证的 BCI 系统。