超越均值池化：用于帕金森病受试者级 EEG 分类的统计元聚合

基于摘要分析。该研究针对帕金森病（PD）EEG 分类中“标签位于受试者级、输入位于片段级”的粒度不匹配问题，提出 statistical meta-aggregation（统计元聚合），用片段预测分布的统计描述替代均值池化，形成受试者级判别。其主要贡献是考察预测聚合方式对最终疾病分类性能的影响，而非提出新的 EEG 编码器。 方法使用在 Simon conflict task 任务诱发 EEG 上训练的自监督对比编码器，并以片段预测分布的 14 个描述量表征每名受试者，涵盖集中趋势、离散程度、分布形状及高置信度集中程度。摘要未给出各描述量的完整定义、元聚合训练流程或对比学习损失形式，相关细节尚未验证。 研究纳入 90 名受试者，其中 57 名 PD 患者、33 名对照，采用按受试者划分的五折交叉验证。作者报告，在不修改编码器或分类器家族的条件下，以统计元聚合替代均值池化后，逻辑回归的受试者级 ROC-AUC 从 0.655 提升至 0.872，支持向量机从 0.724 提升至 0.840。作者还报告，对三个独立自监督预训练随机种子的预测进行平均可取得有竞争力的性能并改善 Balanced Accuracy，但摘要未提供该指标的具体数值。 这些结果支持作者在该数据集内关于聚合方式重要性的结论，不能直接外推为其他 EEG 任务或 BCI 场景中的有效性。阅读全文时需核对编码器预训练、片段预测生成、聚合器拟合与超参数选择是否均遵循受试者级划分，以及片段数量差异对分布描述量的影响。实验协议的完整细节、消融及统计不确定性尚未验证，跨会话、跨数据集泛化和复现资源亦尚未验证。