自动去伪迹未必提升 EEG 年龄预测：SQI 引导的 GEDAI 在跨数据集基准中表现最优
一项系统基准研究在 9 种自动 EEG 去伪迹方法上训练 3 种深度网络进行跨数据集年龄预测,发现默认全通道处理并不总能带来增益,而基于局部信号质量指数(SQI)引导的 GEDAI 表现最佳。
结论先行:研究者系统比较了 9 种自动 EEG 伪迹去除方法在年龄预测任务上的表现,核心结论是"自动去伪迹并不必然改善下游预测",而其新提出的 SQI-guided GEDAI(基于局部信号质量评估,将校正限制在真正需要的通道-时段对)在该跨数据集基准中取得最优成绩。
事实与出处:研究采用 TUEG(Temple University EEG Corpus)训练 3 种深度神经网络架构,并在另一未见过的数据集上做无目标域微化评估,跨数据集设置降低了过拟合风险,使结论更贴近真实部署条件。9 种去伪迹方法与"不去伪迹"基线一一对比,信号质量指数(SQI)在 GEDAI 内部承担"门控"角色:仅对被判定为低质量的通道-时段施加校正,从而避免对干净信号的人为扰动。该工作与近期 EEG 预处理综述观点一致:通用阈值化的自动清洗在引入新偏差的同时未必保留任务相关神经特征。
我司判断:在 BCI 与神经表型(neurophenotyping)应用中,去伪迹常被当作"先决条件"默认开启;该研究提示应将其视为一个与下游任务耦合的决策点。对将 EEG 年龄预测用于脑发育队列、健康筛查或人因工程的人员,优先评估"按通道-按时段"的选择性校正,而不是一刀切的全局滤波或回归;在资源受限的边缘端 BCI 设备上,这种门控思路还能减少不必要的计算与功耗。
局限:其一,年龄预测只是众多 BCI 任务之一,其他任务(如 P300、SSVEP、情绪识别)对伪迹的敏感度不同,结论不能直接外推;其二,基准集中在特定数据集与网络架构,SQI 阈值与 GEDAI 参数的可移植性仍需更多独立数据验证;其三,文中未提供在低通道/移动级 EEG 上的实时性证据,工程落地时需自行复现;其四,所谓"性能最优"是相对该 9 种方法的均值,并不意味着已触及年龄预测的生理上限。