一种广泛使用的 EEG 分类实验协议会引入混杂因素

基于摘要分析。本文研究一种广泛使用的 EEG 分类实验协议及相关数据集中的时间混杂问题，并通过新实验检验若干用于解释该混杂的因素。其贡献定位于实验协议与结果解释的有效性，而非提出新的 EEG 分类算法。 作者指出，该数据集中的时间混杂此前已被报告，但仍有研究继续使用该数据集，并据此得出作者认为缺乏支持的结论。作者报告，新实验表明，已识别的混杂不能由区块设计（block design）、会话时长、被试数量或合并多个被试的数据等因素解释。摘要将这一证据表述为决定性验证；由于未取得全文，目前不能独立确认该判断。 材料未提供数据集名称、分类任务、时间混杂的具体形成机制、被试数量、数据划分、模型、对照条件或定量结果，因此不能将批评推广到所有 EEG 分类协议，也不能据此判定某一具体研究存在数据泄漏或不公平评估。实验协议、消融及统计信息尚未验证。 阅读全文时应重点核对：新实验如何区分时间因素与目标类别相关信息，如何分别检验上述替代解释，以及结论适用于哪些采集和评估条件。作者建议在采用这一问题协议进行实验设计、实施和结果解释时保持谨慎；这不等于否定 EEG 分类或 BCI 研究整体的有效性。