运动想象 EEG 验证策略评估：全队列 GAF-PLV 分析与匹配敏感性研究

基于摘要分析。该研究考察运动想象 EEG 中数据划分与模型选择策略对性能估计的影响，核心贡献是区分队列内随机划分的分类表现与面向未见被试的泛化表现，并检验验证策略对模型数值排名的影响。 研究首先使用此前开发的 Gramian angular field-phase-locking value（GAF-PLV）分类器，在保留的完整队列（N=105）上进行左、右运动想象二分类，采用留一被试交叉验证（LOSO）评估跨被试泛化。作者报告，该协议下平均 Accuracy 为 58.07% ± 8.27%，Macro-F1 为 53.48% ± 11.19%，且被试间差异明显；摘要未说明“±”所表示的统计量。 另一个分析使用预先定义、选择独立于结果的 30 名被试子集，在共同的 0.4 s 输入设置下，对八种分类器、二分类与四分类任务进行匹配敏感性比较。验证策略包括随机五折交叉验证、LOSO，以及内层按被试分组进行模型选择的嵌套 LOSO。作者报告，性能估计与模型数值排名随验证策略变化：二分类 Accuracy 数值最高的模型，在上述三种策略下分别为 ShallowConvNet、DeepConvNet 和 ATCNet。这些排名仅适用于该子集及共同输入设置，不能视为全队列或各架构最优配置下的确定排名，也不代表差异具有统计显著性。 研究的主要阅读价值在于评估协议，而非提出新分类器。随机样本或窗口划分可能使同一被试的数据进入不同折，因此与未见被试测试回答不同问题，不能直接混同比较。复现时需核对队列保留标准、随机五折的具体划分单位、预处理与窗口构建、内层模型选择及超参数搜索范围。GAF-PLV 的具体实现、完整实验协议、消融及统计信息尚未验证。