如何评估医疗时间序列分类？

基于摘要分析。该研究关注医疗时间序列（MedTS）分类中，被试特异性特征如何影响模型评估，并通过理论分析与多数据集实验比较 subject-dependent（被试依赖）和 subject-independent（被试独立）两类设置，旨在为医疗应用中的评估协议提供更清晰的依据。 核心机制是：分类模型可能利用被试特异性特征作为预测捷径，使评估结果不能准确反映其对目标疾病或生理状态的泛化能力。作者从 MedTS 的特征组成出发，分析不同评估设置如何影响模型学习到的特征。这里的 subject-dependent 与 subject-independent 是原文的评估分类，不能在未核对具体数据划分前，直接等同于标准的 Within-subject 与 Cross-subject 协议。 作者报告，在覆盖 EEG、ECG 和 fNIRS 的六个数据集上使用四种方法进行实验，展示被试依赖设置如何利用被试特异性特征获得误导性的高性能。作者报告，不恰当的评估设置在 ADFTD 数据集上可使 Accuracy 人为虚高，摘要原文表述为“up to 50% in accuracy”；其相对增幅或百分点含义、对应划分与对照条件尚未验证，不宜将该数值外推到其他数据集。作者据此主张，被试独立设置对不同数据集和任务更合适，也更贴近实际应用；这一结论仍需结合具体部署目标核对。 对 EEG 研究的直接阅读价值在于审查模型性能是否依赖被试身份相关特征，而不是把某种划分一概视为适用于所有任务。全文需重点核对被试与样本的划分层级、任务标签与被试身份的关系、训练与测试预处理边界，以及不同协议对应的实际使用场景。摘要提供了复现代码地址，但代码可用性、六个数据集的完整名单、四种方法的名称、实验协议、消融及统计信息尚未验证。