TransformEEG：提升基于深度学习的 EEG 帕金森病检测模型泛化能力

基于摘要分析。研究针对 EEG 帕金森病检测中被试间差异导致的模型泛化问题，提出混合卷积与 Transformer 架构 TransformEEG，主要贡献是通过通道特异性特征构建 token，并评估其在留出被试条件下的检测性能与稳定性。 机制方面，TransformEEG 使用 depthwise convolutional tokenizer，生成由通道特异性特征组成的 token，再由 Transformer encoder 的自注意力层进行特征混合。作者将其与基于 EEGNet 结构的 Transformer 模型区分开来，认为这种 token 构建方式有利于特征混合；具体卷积配置、token 组织方式、训练损失及机制消融尚未验证。 评估方面，作者对四个公开数据集进行协调处理并合并，共纳入 290 名被试，其中帕金森病患者 140 名、健康对照 150 名。研究采用外层 10、内层 10 的 Nested-Leave-N-Subjects-Out（N-LNSO）交叉验证，与另外七种 EEG 深度学习模型比较。作者报告，在这些 N-LNSO 划分中，TransformEEG 的 Balanced Accuracy 中位数最高，为 78.45%，四分位距最低，为 6.37%。结合数据增强与阈值校正后，作者报告 accuracy 中位数为 80.10%，四分位距为 5.74%；摘要此处使用 accuracy，而非前文的 Balanced Accuracy，不能直接视为同一指标的提升，需核对全文定义。 该协议涉及 Cross-subject 评估，但合并多个数据集后留出被试，并不等同于独立的 Cross-dataset 外部验证。各数据集名称、协调处理流程、每次留出人数、阈值校正的数据使用范围、统计检验及消融信息尚未验证。作者据此认为模型结果更稳定、偏斜更小；这些结论目前应限定在摘要所述评估范围内，不能直接推导为临床诊断有效性或其他 BCI 任务的泛化收益。