用于 EEG 分析的高层分类

基于摘要分析。本文研究不同病因的昏迷患者预后预测，提出利用复杂网络同配性（assortativity）与平均最短路径长度的高层分类方法，并考察二分类和多分类两种任务。主要贡献是尝试将 EEG 数据的拓扑与结构信息用于分类决策，而非仅将网络度量作为提取特征的工具；研究对象是临床预后预测，不是 BCI 控制或意图解码。 高层分类是一类考虑输入数据拓扑及结构特征的监督学习技术。摘要以 pattern conformation 为背景：将输入数据表示为网络，通过复杂网络度量的变化进行分类。本文选择同配性和平均最短路径长度用于 EEG 分析，但 EEG 如何转化为网络、节点与边如何定义、度量如何参与预测，以及是否与其他分类器组合，尚未验证，不能据摘要补写具体算法流程。 在昏迷患者预后的二分类和多分类实验中，作者报告，与另外九种技术（包括卷积神经网络）进行实验比较后，所提高层方法具有统计上改善预测性能的潜力，其中同配性度量在两种任务中的表现尤其值得关注。摘要未提供具体指标、效应大小、显著性检验或各基线结果，因此无法量化增益，也不能据此认定其普遍优于这些方法。 数据涉及不同病因的患者，这使预测任务具有异质性。患者数量、预后标签及观察时间、EEG 采集与预处理、被试内或跨被试划分、训练与测试协议、消融及统计信息尚未验证。复现时需重点核对网络构建规则、分类决策方式及患者层面的数据划分；现有摘要不足以评估其临床泛化能力，也不足以推断对 BCI 任务的有效性。