针对由 EEG 数据构建的随机图分布的假设检验

基于摘要分析。本文研究如何对随机图样本的概率分布进行统计推断，提出非参数单样本与双样本假设检验，并将其用于比较由 EEG 构建的脑功能交互网络。主要贡献是图分布检验的统计理论与计算方法，而非 BCI 解码算法。 单样本检验判断一组随机图是否来自指定概率分布，双样本检验判断两组随机图是否来自同一概率分布。作者给出中心极限定理以刻画检验统计量的渐近分布，并提出通过模拟计算有限样本分布分位数的方法。作者还将该检验解释为在给定图间距离下的 Kolmogorov-Smirnov 型检验。 作者报告，该方法不预设分布的具体形式，且对至少一个边缘分布（edge-marginal，即单条边的边际分布）存在差异的备择假设具有一致性。这一保证不能直接扩展为能够识别所有图分布差异：若差异仅体现为边之间的依赖结构变化，而各条边的边际分布不变，摘要所述一致性结论并未覆盖该情形。 作者在模拟数据上考察检验性能，并应用于观看描绘人类行走的点光显示刺激时采集的 EEG，比较由这些记录构建的脑功能交互网络。摘要未提供模拟结果数值、EEG 被试数、网络构建规则、比较条件或显著性结果，不能据此判断实际效应及检验功效。 复现时需核对图间距离与统计量定义、有限样本模拟流程，以及 EEG 到功能网络的构建方式和图样本的采样单位。实验协议、消融及统计信息尚未验证；目前材料支持将其视为 EEG 网络统计比较方法，尚不能推断其对运动想象等 BCI 任务的解码收益。