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。