量化频谱 EEG 特征中的被试身份方差及其在机器学习评估泄漏中的作用

基于摘要分析。本研究考察稳定的被试间差异在频谱 EEG 特征中占据多大变异，以及这种身份结构是否会使下游临床分类评估产生偏高结果。贡献在于将身份相关方差、跨会话身份识别与片段级划分下的分类泄漏放在同一研究框架中分析。 研究使用覆盖 199 天、包含四次会话的纵向数据集，并在四个公开数据集上复核关键发现；这些公开数据集的参与者规模为 39–395 人，涵盖多种范式，以及从低通道消费级设备到科研级 EEG 的不同采集系统。摘要未提供数据集名称、频段定义或方差分解的具体方法。 作者报告，在频谱带功率表示中，被试身份所解释的方差显著多于会话相关漂移；在摘要所称的按被试留出协议下，身份验证表现很强，跨会话识别能力可持续数月。这里的身份验证不能直接等同于临床分类的跨被试泛化，训练与测试中的身份配对、留出方式及具体指标仍需核对全文。 作者报告，身份结构并非完全跨范式不变：信息更丰富、通道数更高的记录呈现出更强的迁移，而低通道消费级 EEG 在较大任务变化下的迁移较弱。作者还报告，朴素的片段级划分会抬高下游临床分类表现，提示表观诊断性能可能部分反映身份泄漏，而非临床生物标志物学习；摘要未给出分类任务、效应量、对照基线及划分细节，不能据此量化性能高估幅度。 对 EEG 研究的直接价值是提示应按泛化目标设置被试级评估，并显式检查身份混杂。全文尚未取得，实验协议、消融及统计信息尚未验证；复现前还需核对预处理与特征提取流程、身份方差估计方法、会话与范式的划分关系，以及临床分类中标签与被试身份的对应结构。