触及性能上限？深度 EEG 病理分类的经验缩放行为

基于摘要分析，当前材料仅提供 Highlights，未取得论文全文。研究针对深度 EEG 病理分类，考察模型规模与数据集规模如何影响测试性能，贡献在于描述规模增长与分类表现之间的经验关系，而非提出已验证的新 BCI 解码方法。 作者报告，测试性能随模型规模和数据集规模增大而提升，其变化可用趋于饱和的幂律描述；作者报告，在所考察的当前 EEG 病理分类 ConvNets 及其测试条件下，经验观察到的 Accuracy 趋于约 87%。材料未提供数据集、样本量、被试构成、数据划分、模型规模范围及对照基线，因此该数值不能视为所有 EEG 病理分类任务的普遍上限，也不能与其他评估协议的结果直接比较。 作者提出，临床标签噪声可能限制分类 Accuracy。这是潜在解释，所给材料不足以判断其是否经过标签复核、噪声建模或其他实验验证。复现与解读时需核对规模变量的定义、饱和幂律的拟合方式、测试集构成、被试隔离方式及标签可靠性；实验协议、消融及统计信息尚未验证。研究对象是 EEG 病理分类，其结果不直接证明扩大模型或数据对其他 EEG/BCI 任务具有相同收益或上限。