类别不平衡不应使你失衡：为不平衡数据的脑解码选择合适的分类器与性能指标

基于摘要分析（所给材料为 Highlights，未取得论文全文）。该研究关注脑解码中的类别不平衡问题，利用模拟数据以及 EEG、MEG、fMRI 记录，考察不同不平衡程度下机器学习分类表现与评估指标的变化，并提供处理建议。 作者报告，在高度不平衡的数据中，分类器系统性预测多数类即可获得具有误导性的高 Accuracy，因此单看这一指标可能无法判断模型是否有效识别少数类。作者建议，在寻求最小化总体分类错误的语境下，将 Balanced Accuracy（BAcc）作为默认评估指标。该建议的具体适用条件，以及类别比例、分类器选择与评价目标之间的关系，仍需结合全文核对，不能据此将 Accuracy 与 Balanced Accuracy 等同或直接比较。 材料明确说明研究覆盖多个不平衡水平及多种脑信号模态，但未提供具体分类器、数据集、被试数、类别比例、被试内或跨被试划分及定量结果，因而目前无法判断哪些分类器在何种协议下更稳健。实验协议、消融及统计信息尚未验证。 作者表示已提供开源代码供进一步研究，但当前材料未给出代码地址、依赖环境或运行配置，复现条件尚待核对。对 EEG/BCI 研究的直接阅读价值在于审查类别分布与性能指标是否匹配，而非据此认定某种分类器或指标在所有任务中均更优。