EEG 预处理对跨被试解码有何贡献？一项高密度 EEG 的被试级消融研究

基于摘要分析。该研究考察高密度 EEG 跨被试回归中，各项预处理操作究竟贡献多少预测收益。作者在源自 NeurIPS 2025 EEG Foundation Challenge 的 Contrast Change Detection 任务设置中，固定模型和评估条件，比较六种预处理条件；作者报告，逐样本时间维 z-score 归一化获得了所测流程中的大部分预测收益。 研究控制了输入窗口、被试级数据划分、EEGNeX 架构、优化流程及评估协议，主分析包含 26 名留出被试，并以被试为统计推断单位。作者报告，汇总的跨被试 RMSE 从原始输入的 0.7267 降至归一化后的 0.3717；76.9% 的留出被试误差降低，被试级配对 RMSE 改善为 0.1274，Wilcoxon 符号秩检验 p = 0.0014，bootstrap 95% CI 为 [0.0169, 0.3262]。汇总 RMSE 与被试级配对改善属于不同统计口径，不宜混同。 在三个固定随机种子的重复训练中，作者报告归一化条件的跨被试 RMSE 分别为 0.3701、0.3698 和 0.3687，均值为 0.3695±0.0007，变异系数为 0.20%。相较之下，在归一化基础上增加所测试的滤波、裁剪及通道掩码操作未进一步改善性能；完整预处理流程与仅归一化条件的差异未达到统计显著，不能据此认定二者等效。作者还报告，训练增强未带来有意义的干净数据性能变化。 独立的评估时扰动分析显示，完整预处理与增强的组合系统比原始输入基线对所测扰动更不敏感，但该设计不能分离预处理与增强各自的鲁棒性贡献。结论应限定于这一高密度、被试独立 EEG 回归设置，不能直接推广至其他任务、通道配置或跨数据集场景。归一化的具体实现、六种条件的完整定义、扰动类型、详细划分及统计分析细节尚未验证。