融合三域特征的被试级EEG ADHD分类

基于摘要分析。本研究针对单一特征域可能难以充分表征 ADHD 脑功能组织的问题，提出融合频谱、功能连接和拓扑描述符的被试级 EEG 分类框架。其主要研究对象是 EEG 辅助 ADHD 分类，而非 BCI 控制或交互任务。 方法上，研究对 121 名被试的 EEG 进行预处理并划分为重叠时间窗，提取频谱特征、基于 weighted Phase Lag Index（wPLI）的功能连接特征，以及由持续同调得到的拓扑描述符；随后将窗口级特征聚合为被试级表示。Recursive Feature Elimination（RFE）从初始 1,043 个描述符中选择 110 个特征，并以分层五折交叉验证评估 SVM、Random Forest、XGBoost、CatBoost 和 MLP。摘要未说明窗口长度、重叠比例、聚合方式、拓扑构建细节及特征选择在各折中的执行流程。 作者报告，在上述 121 名被试的被试级分类与分层五折交叉验证条件下，SVM 在所评估分类器中表现最佳：Accuracy 为 80.17%，F1 为 80.95%，Balanced Accuracy 为 80.14%，ROC-AUC 为 86.72%，PR-AUC 为 87.34%。作者报告，三域联合特征在消融分析中持续优于单独特征域，但摘要未提供各消融配置的具体分数及统计不确定性。SHAP 与 LIME 分析提示功能连接特征贡献最大，频谱与拓扑特征提供额外信息；这属于模型解释结果，不等同于 ADHD 病理机制或因果证据。 复现与可信度核对的重点包括：RFE、标准化及超参数选择是否严格限定于训练折；重叠窗口是否始终按被试归属处理；类别构成、采集条件与潜在混杂因素；消融差异的统计稳定性，以及独立队列验证。被试级聚合是该框架的重要设计，但实际划分流程、实验协议细节及统计信息尚未验证。摘要也未提供数据和代码可用性，作者所称可复现性及临床决策支持价值仍需全文和外部验证支持。