SPICE：用于 EEG 疾病检测的被试特征保持反事实增强框架

基于摘要分析。该研究针对 EEG 疾病检测中跨被试泛化不足的问题，提出 SPICE（Subject-Preserving Inter-Class Expansion），通过生成保留被试特征的相反诊断类别 EEG 样本，尝试削弱模型利用被试身份预测疾病的捷径。核心贡献是让训练被试同时具有两类诊断样本，以促进学习可跨个体迁移的疾病相关特征。 作者指出，每位被试的记录通常只有一个诊断标签，因而被试身份与诊断类别存在关联。SPICE 将反事实生成建模为健康域与疾病域之间的非配对转换，并采用带有被试特征保持目标的 CycleGAN 实现。相关目标还用于指导任务特定的样本选择策略，评估生成样本是否保留被试特征、是否改变诊断类别，同时将近似复制样本排除在训练所用样本之外。摘要未提供这些目标的具体损失形式、评估方式及筛选阈值。 作者报告，在四个 EEG 数据集上的实验显示，该框架具有改善跨被试疾病检测的潜力，但收益依赖数据集与分类器。摘要未给出数据集名称、疾病类型、被试规模、划分方式、对照方法或具体指标，因此无法判断改善幅度及不同条件下的稳定性，实验协议、消融及统计信息尚未验证。 复现时应重点核对：生成与筛选过程是否严格限定在训练被试内；被试特征保持和诊断类别改变分别如何验证；生成样本是否具有可信的疾病相关信号，而非仅改变分类器敏感的特征。还需核对增强比例、近似复制判定规则，以及相对于常规增强和未增强训练的对照结果。这些均是待核对事项，不代表作者未开展相应验证。研究对象是 EEG 疾病检测，其结果不能直接视为其他 BCI 任务的有效性证据。