EEG 基础模型表征的信度与疾病敏感性是可分离的属性

基于摘要分析。本研究关注 EEG 基础模型的疾病判别能力能否反映同一个体重复测量的稳定性，并考察信度是否可由预训练范式、领域及频带信息解释。核心贡献是将重测信度与疾病判别作为独立评估维度，而非用分类表现代替纵向生物标志物所需的测量稳定性。 研究在统一预处理流程下比较九种冻结表征：六个覆盖掩码、对比及预测式预训练的 EEG 基础模型、手工频谱特征，以及两个未接触 EEG 的通用时间序列模型。健康人重测数据来自两个队列，间隔分别约一个月和两年；另有三个神经退行性疾病队列用于横断面疾病判别。信度仅在健康成人中测量，不能据此认定患者纵向测量同样稳定。 作者报告，在上述九种表征中，以组内相关系数（ICC）衡量的平均信度范围为 0.08–0.76，变异系数（CV）为 53.0%；疾病判别 AUC 的 CV 为 5.4%。约十倍的相对离散程度差异属于描述性比较，未进行正式检验，也未检验 AUC 等效性，因此不能将各表征的疾病判别能力称为等效。作者报告，信度与判别能力、预训练范式或领域之间均未检测到关联，且一个未接触 EEG 的模型属于所测模型中信度较高者。 频带分析中，作者报告 alpha 频带对信度的贡献较突出，theta 频带对 Alzheimer disease 与 frontotemporal dementia 判别的贡献排名第一，但这一对照中仅信度侧的结果达到单独统计显著。子空间几何与频带消融均支持两种属性部分、而非完全可分离；作者还报告，随网络深度变化，分离、权衡或共同退化的模式依赖架构。 其直接意义是：面向纵向或生物标志物用途时，应直接测量表征信度，而不能仅依据疾病 AUC 选型。作者称提供可复现流程；模型名称、数据集与样本量、划分方式、ICC 具体定义、置信区间、消融细节及流程可获取性尚未验证。健康队列中的重测结果也不能直接外推为 BCI 解码或患者纵向监测有效性。