用于轻度认知障碍与痴呆分类的 EEG-BCI 深度学习模型综合基准评估

基于摘要分析。本研究针对轻度认知障碍（MCI）与痴呆的静息态 EEG 自动分类，试图解决不同研究因数据集与评估协议不一致而难以比较的问题；其主要贡献是在统一流程下对多种深度学习模型开展基准评估，而非提出新的分类架构。 评估覆盖四个静息态 EEG 数据集、八项二分类任务及十种深度学习模型，采用统一预处理流程与五折按被试划分的交叉验证，每项实验重复十次。摘要将其描述为被试独立评估，但未提供数据集名称、被试数量、诊断组合、各折构成及重复实验的具体设置，相关协议尚未验证。 作者报告，在上述评估条件下，SCCNet 的平均被试级 Accuracy、Sensitivity 和 F1 最高；ShallowConvNet 的平均片段级 Accuracy、Specificity 和 Precision 最高。作者还报告，被试级聚合提高了所有受评模型的平均 Accuracy，且表现随数据集和诊断任务明显变化。摘要未给出具体分数、置信区间或显著性结果，因此不能量化模型优势，也不能将片段级与被试级指标直接混为同一评估结果。 作者报告，更高计算成本并不始终对应更好的分类表现，部分紧凑架构可与大得多的模型竞争。核对与复现时，应重点确认片段生成方式、被试级聚合规则、超参数选择流程、计算成本口径及统计比较方法；实验协议、消融及统计信息尚未验证，代码与数据可用性亦未确认。研究对象是认知障碍的 EEG 诊断分类，摘要不支持将其结果延伸为在线 BCI 控制效果或临床诊断有效性的证据。