面向帕金森病 EEG 诊断的多尺度特征与多通道选择

基于摘要分析。本研究面向帕金森病 EEG 辅助诊断，通过提取传统多尺度统计特征并筛选通道，降低特征维度，同时考察通道选择方案在不同数据集上的泛化能力；其主要贡献是特征与通道筛选流程，而非 BCI 控制或解码方法。 方法方面，作者使用四阶 Butterworth 滤波器和小波包变换，从 UNM 与 Iowa 数据集提取 22 个多尺度特征，涉及时域和频域统计信息。随后通过单通道验证，依据 R2 分数从两个数据集共有的 59 个通道中选出排名最高的 29 个通道。摘要未明确 R2 的计算对象、具体特征定义、分类器及其训练方式，这些技术细节尚未验证。 评估方面，作者在 UNM 数据集上验证通道选择方案，并在 Iowa 数据集上进行样本外测试，与不进行通道选择的模型比较泛化能力。作者报告，该方案将帕金森病相关 EEG 特征向量的维度降低约 50%；在所述闭眼与睁眼状态分类实验中，最高 Accuracy 分别为 100% 和 93.75%。摘要未交代这两个最高结果各自对应的数据集、被试划分及具体对照，因此不能直接将其解释为 Cross-subject 或 Cross-dataset 测试成绩，也不能据此判断相较未筛选通道模型的提升幅度。 复现时需核对被试数量与类别构成、预处理和分段规则、通道排序是否仅使用训练数据、UNM 与 Iowa 之间筛选方案和分类器的具体迁移方式，以及闭眼、睁眼条件的独立评估协议。实验协议、消融及统计信息尚未验证；当前证据支持进一步审查通道精简与样本外评估流程，尚不足以确认临床诊断有效性。