被试身份是 EEG 频谱特征变异的主要来源，并可能导致机器学习评估结果虚高

基于摘要分析。本研究考察稳定的被试间差异在 EEG 频谱特征中贡献了多少变异，以及这些身份相关结构是否会使下游临床分类评估结果虚高。其主要贡献是将身份结构的量化、跨会话持续性及其对数据划分的影响纳入同一分析框架，而非提出新的 EEG 解码算法。 研究使用一个覆盖 199 天、包含四次会话的纵向数据集，并在四个公开数据集上复核关键发现；这些公开数据集的被试规模为 39 至 395 人，涵盖多种范式，以及从低通道消费级设备到研究级 EEG 的不同记录系统。特征表示为频谱带功率；具体频段、预处理、方差分解方法及模型设置尚未验证。 作者报告，在所分析的频谱带功率表示中，被试身份解释的变异显著多于会话相关漂移；在摘要所称的按被试留出协议下，身份验证表现很强，且跨会话身份识别可保持数月。摘要未提供具体指标、分数及该留出协议的实现方式，身份验证或识别结果也不能等同于临床分类的跨被试泛化能力。 作者报告，身份结构并非完全跨范式不变：较丰富、高通道记录中的迁移表现，比低通道消费级 EEG 在较大任务变化下更强。作者还报告，在朴素的片段级划分下，同类身份结构可能抬高临床分类表现，使表观诊断能力部分来自身份泄漏，而非生物标志物学习；具体分类任务、对照划分及性能差值尚未验证。 研究的直接价值在于提示：EEG 评估需要区分身份可辨识性与目标任务可泛化性，并核对按被试划分及身份混杂诊断。摘要未涉及具体域适应、域泛化或测试时自适应算法，不能据此认定其改善了这些方法。实验协议、消融及统计信息尚未验证，复现所需的数据标识、代码和完整流程亦需查阅全文确认。