静息态 EEG 的预处理状态如何影响后处理结果？
基于摘要分析。本研究关注静息态 EEG 预处理不足或过度时，后续时域、频域和空间域分析会产生怎样的偏差，并考察 PaLOSi 能否作为反映预处理质量的指标。核心贡献是建立以合成干净 EEG 为参照的评估框架，将预处理状态与多类后处理结果的变化联系起来。 方法上，作者基于 New-York head model 与多变量自回归模型合成干净 EEG（CE），作为真值参照；通过注入 Gaussian noise 模拟预处理不足的 EEG（IPE），通过丢失脑活动模拟过度预处理的 EEG（EPE）。随后，以 IPE、EPE 相对 CE 的偏离量衡量后处理影响，分析对象包括四项时域统计量、多通道功率、交叉频谱、源成像离散程度，以及头皮 EEG 网络的属性。摘要未列出四项时域统计量的具体名称，也未说明脑活动丢失的实现方式。 作者还分析了 PaLOSi 与预处理状态演变过程中后处理结果变化趋势的关联。作者报告，研究揭示了预处理状态对后处理结果的影响，并提出 PaLOSi 可能是有效的质量指标；摘要未提供具体效应方向、效应量、相关系数或显著性结果，因此不能据此认定该指标已得到充分验证。 该框架的价值在于用已知真值区分残留干扰与脑活动损失带来的分析偏差，而非仅凭清理后波形判断质量。需要核对的是，Gaussian noise 和脑活动丢失能在多大程度上代表真实伪迹残留及实际清理流程造成的信号损伤，以及 PaLOSi 是否能在真实静息态 EEG 上稳定识别这些状态。实验协议、消融及统计信息尚未验证；摘要也不足以判断其对 BCI 解码性能的影响。
阅读价值：该研究以合成干净 EEG 为参照，分别考察预处理不足与过度对频谱、源成像及功能连接分析的影响，值得用于理解预处理质量控制的依据，但 PaLOSi 的实际数据适用性尚需核对。