利用深度学习与不确定性估计改进 EEG 预测

基于摘要分析。该研究以从 EEG 直接预测性别这一二分类任务为基准，考察深度学习模型、深度集成及不确定性估计，并通过数据驱动分析评估不同频带与性别预测的关系。作者指出，性别预测的直接临床应用有限，此处主要用于优化 EEG 分析技术，而非验证疾病诊断或 BCI 控制效果。 方法方面，研究比较单模型与集成模型，涉及 InceptionNetwork 和 EEGNet 的变体，并探索以深度集成进行不确定性估计。摘要未说明集成成员的构建方式、预测融合规则、不确定性的具体度量或如何利用不确定性改善预测，因此不能据此判断其是否实现了可靠校准或更充分的可解释性。 结果方面，在摘要所述的五折交叉验证下，作者报告单个 InceptionNetwork 的 Accuracy 为 90.7%、AUC 为 0.947；表现最佳的集成组合了 InceptionNetwork 与 EEGNet 的变体，Accuracy 为 91.1%。摘要未明确划分是被试内还是跨被试，数据集、被试数及样本组织方式也尚未验证，因而这些结果不能直接外推为跨被试泛化性能。作者报告通过深度集成进行不确定性估计提高了预测表现，但相关评估协议及统计信息仍需核对。 频带分析中，作者报告模型在所有所考察频带上均能够分类性别，并据此认为各频带均存在性别相关特征；这不等于已确立特征的生理机制或排除混杂因素。复现时需核对 EEG 预处理、频带定义、训练与验证的被试隔离方式、模型与集成配置，以及不确定性评估指标、消融和统计信息。现有摘要支持将其视为 EEG 分类与不确定性研究，但尚不能认定其改善了临床决策或实际 BCI 任务表现。