具有嵌套子类的神经影像数据多变量分类：准确率偏倚及其对假设检验的影响

基于摘要分析。该研究考察神经影像多变量模式分析（MVPA）中，实验条件类别内部的嵌套子类如何影响分类正确率及其统计显著性，贡献是对这种子类偏倚进行解析论证、模拟验证，并在人类 EEG 实验中展示其影响。 核心机制是：对应实验条件的类别并不一定内部同质，同一被试贡献的多个数据点、类别内部相关的刺激项目等均可能形成子类。作者指出，这些子类引入的系统性信息能够提高类别的可分类性，使分类表现超出仅由目标类别差异大小所预期的水平。因此，较高分类正确率不能直接等同于更强的实验条件效应，也不能单凭这一现象断定存在数据泄漏。 作者报告，解析结果表明线性分类器的分类正确率（CCRs）会受到子类数量及子类引入的方差占比影响；模拟结果显示，类别间效应量较低、子类方差较高时，偏倚最明显，增加子类总数可以减轻偏倚。摘要未提供具体分类器、效应量设置、模拟规模或数值结果。 在显著性检验方面，作者提出使用显式考虑子类结构的置换检验来处理该偏倚。作者报告，在若干记录人类 EEG 活动的实验中，参数统计检验及常见的逐试次置换未能正确判断分类结果的显著性。摘要没有说明具体的子类级置换规则、EEG 任务、被试数量、数据划分或检验数值，因而不能据此归纳所有 EEG 分类协议均存在同等偏倚。 对 EEG/BCI 研究的直接阅读价值是区分预测性能与条件效应的统计证据，并核对实际子类结构、置换单位及零假设是否匹配。复现需取得全文中的解析假设、模拟参数、分类与划分流程，以及保留子类结构的置换实现；实验协议、消融及统计信息尚未验证。