部分被试重叠对固定队列评估的扭曲并不均一：跨四项 EEG 采集的受控研究

基于摘要分析。该研究考察 EEG 训练集与评估队列之间的部分被试重叠，如何改变汇总性能及模型选择。核心贡献是固定测试队列、测试样本与训练预算，仅改变评估被试在对应训练集中出现的比例，并分别报告当前实验单元内已暴露与未暴露被试的表现，避免把两类泛化目标混为一谈。 实验设计保持已暴露被试集合嵌套，并保持训练集类别构成特征。研究覆盖4项公开 EEG 采集、最终划分角色中的255名被试、6个采集/条件区块、4种模型配置、6个重叠水平及10个划分族，共计2,880次拟合和60,480行指标记录。具体模型、其余数据集名称及划分细节尚未验证。 作者报告，固定重叠网格上的平均 Balanced Accuracy 膨胀幅度具有明显异质性：ADFTD 上不同模型为3.7–15.2个百分点，另一项独立临床任务为8.5–19.8个百分点，运动想象任务仅为0.4–3.9个百分点；跨会话暴露条件下为−2.6–0.1个百分点，未发现一致的性能膨胀。因此，这些数字不能视为适用于所有 EEG 任务的统一重叠效应。作者还报告，相对于零重叠参考，依据受重叠污染的分数选择模型，在210项比较中的70项产生了不可避免的正选择遗憾；该指标的具体计算与比较构造需核对全文。 关键边界是：用于配置选择的验证被试会在其他划分族的测试队列中再次出现。因此，“未暴露”仅指当前实验单元内未在训练中出现，并非整个开发流程中未见的新被试；作者明确指出，这些估计不能作为无偏的新被试基准。研究支持报告整个开发流程中的被试与记录交集，并分开呈现已暴露和未暴露子组，而非假定某个重叠比例普遍安全。实验协议、消融及统计信息尚未验证。