EEG信号进入AI模型前，采样、滤波和分段怎样改变结果

采样率决定能够观察的时间细节

采样率限制可表示的最高频率，也影响事件时间点和波形边缘。把高采样数据降采样可以减少计算量，但必须先处理混叠风险。

不同数据集若采用不同采样率，简单插值到同一长度并不会让测量条件相同。模型可能利用插值痕迹识别数据来源，而不是识别研究目标。

参考方式改变每个通道的数值

EEG记录的是电位差，参考电极和重参考策略会改变通道波形。平均参考、耳垂参考和双极导联各有前提，不能只在方法里写一句“已标准化”。

跨数据集合并时，应保留原始参考方式和重参考步骤。若参考信息缺失，结论需要明确这一限制。

滤波器会同时移除噪声与部分信号

高通滤波可以减轻缓慢漂移，低通滤波可以抑制高频噪声，陷波用于处理电源频率干扰。但截止频率、滤波阶数和相位处理都会改变波形。

过强滤波可能让事件边缘变形，零相位处理又使用未来样本，不适合直接模拟实时系统。离线准确率与实时可用性因此不能自动等同。

伪迹处理是研究判断，不是清洁按钮

眨眼、肌电、运动和电极接触不良会影响EEG。独立成分分析、阈值剔除和人工检查能够减少部分伪迹，但每种方法都可能同时移除有意义成分。

团队应记录剔除比例和判断规则。只展示处理后的干净波形，会让外部研究者无法判断数据质量门槛是否改变了样本构成。

分段方式定义了模型看到的问题

按固定窗口切段、按刺激事件切段或按临床阶段切段，产生的样本单位不同。窗口重叠会增加样本数量，却也让相邻样本共享大量信号。

训练集和测试集若在切段后随机分配，同一受试者的相邻窗口可能同时出现于两边，造成数据泄漏。应优先按受试者或采集会话划分。

标签的时间尺度必须与信号匹配

受试者层级标签不一定能精确描述每个数秒窗口。把一个人的总体分类复制到所有片段，会引入标签噪声，也可能让模型学习个体特征。

文章报告性能时，应写清标签来自诊断、任务条件、专家判断还是自动规则，以及它与输入窗口之间的关系。

归一化可能泄露测试信息

使用全数据均值和方差进行归一化，会让测试集信息提前进入训练过程。正确做法通常是只用训练数据估计参数，再应用到验证和测试数据。

按通道、按片段或按受试者归一化会保留不同特征。选择方法要与研究问题一致，而不是只追求更高分数。

模型可能识别设备而不是生理模式

不同放大器、导联布局和实验环境会留下稳定差异。当病例与对照恰好来自不同设备时，模型很容易把设备当成捷径。

跨设备或跨机构验证能够暴露这种问题。若性能明显下降，应检查数据来源与目标标签是否纠缠，而不是立即增加模型复杂度。

评价指标要对应实际比例

类别不平衡时，单看准确率可能掩盖少数类别表现。灵敏度、特异度、精确率、召回率和校准分别回答不同问题。

片段级高分也不等于受试者级判断可靠。聚合规则、置信区间和重复测量应写入评价设计。

复现需要保留处理顺序

滤波后再切段与切段后分别滤波可能产生不同边缘效应；先剔除通道再重参考也会改变平均参考。只列出工具名称无法复现实验。

可复现记录应包含原始数据版本、软件版本、参数、处理顺序、随机种子和划分名单。文件传输后要验证这些伴随资料是否一起到达。

FlyBit场景中的实际行动

跨设备传递EEG资料时，应把原始数据、处理脚本、参数文件和结果分开保存，并用清单连接版本。移动端适合查看摘要，不应被当成完整分析环境。

连接工具可以帮助文件到达，却不能证明分析设计正确。最终判断仍要回到采集条件、处理过程与独立验证。

导联缺失会改变空间信息

不同设备的通道数量和放置位置不同，缺失通道不能只用零值填补。零值本身可能成为模型识别设备的线索。

跨数据集任务可以选择共同导联、建立明确插值规则或分别训练比较。每种选择都会缩小或改变可回答的问题。

电源频率反映采集环境

不同地区常见的工频干扰可能不同，陷波设置也随之变化。模型若在频谱中学到这些差异，可能把采集地点误认为类别。

频谱质量检查应在滤波前后同时进行。只查看处理后结果，看不见原环境对数据造成的压力。

事件标记也可能存在时间误差

刺激程序、采集电脑和放大器之间的延迟会影响事件相关分析。标记写入文件不代表它与真实刺激呈现完全同步。

需要毫秒级结论时，应通过光电二极管或其他独立信号估计延迟，并把修正方法写入流程。

睡眠、静息与任务EEG不能共用同一解释

数据都属于EEG，但行为状态、记录长度、伪迹构成和标签尺度不同。一个领域的窗口长度与频带选择不一定适用于另一个领域。

迁移模型前要比较任务条件，而不是只比较通道和采样率。输入形状一致只是技术条件。

受试者内验证与受试者间验证回答不同问题

同一个人的部分数据用于训练、另一部分用于测试，衡量的是个体内泛化。完全未见过的受试者测试更接近跨人使用。

两种设计都可以合理，但不能用受试者内高分宣称模型能适用于新用户。论文和产品说明必须写清划分层级。

交叉验证也可能重复泄漏

如果先对全部数据完成特征选择或伪迹阈值估计，再做交叉验证，验证折的信息已经参与处理。

每一折都应在训练部分重新估计会受数据影响的步骤。固定的物理单位转换则可以在划分前完成。

深度网络不会自动解决小样本

参数更多的模型可以拟合复杂波形，也更容易记住受试者、设备与会话差异。数据增强只有符合信号机制时才有帮助。

与简单基线比较能够判断复杂模型是否真正增加价值。若提升只存在于单次随机划分，结论应保持谨慎。

校准决定概率是否可用于选择阈值

分类分数排序良好，不代表输出概率与真实发生率一致。不同数据集的基准比例变化时，固定阈值可能产生完全不同结果。

校准曲线和决策阈值应在独立数据上评估。研究分数不能直接转成个体医疗建议。

不确定性需要连接到失败条件

模型输出低置信度时，原因可能是噪声、罕见波形或分布外样本。只给一个不确定数字，仍无法决定下一步。

可以把质量指标、设备来源和模型置信度一起观察，但不要让自动规则替代专业复核。

保存中间结果要有明确目的

缓存滤波后信号可以节省计算，却可能让团队忘记参数已经变化。中间文件应在名称和清单中标出处理阶段。

长期保留哪些中间版本取决于重算成本和复现需求。所有临时数组都归档，反而会让关键版本难以辨认。

降采样之前必须先处理混叠

把高采样率脑电直接抽取为较低采样率，会让高于新奈奎斯特频率的成分折回低频，形成原始信号中不存在的结构。正确流程需要先采用与目标采样率匹配的抗混叠滤波，再执行降采样。

滤波器的过渡带、阶数和相位响应都会留下痕迹。模型若只在一种预处理流水线上训练，可能把这些痕迹当成类别线索。论文和数据卡应记录滤波器类型与关键参数。

比较两套数据时，简单把采样率改成相同数字还不够。电极布局、参考方式、模拟前端和抗混叠设计仍可能不同，这些差异需要进入验证方案。

分段方式会制造隐性的资料泄漏

把同一受试者的连续记录切成许多相邻窗口，再随机分配到训练集和测试集，会让高度相似的片段同时出现在两侧。模型取得的高准确率，可能来自识别个体或记录背景，而非目标状态。

更严格的切分单位通常是受试者、检查场次或采集日期。选择哪一层，应由模型未来面对的新对象决定。目标是服务新受试者，就不能只做窗口级随机切分。

重叠窗口会进一步提高相似度。使用重叠并非错误，但必须先完成组级划分，再在各组内部生成窗口，并明确报告步长与重叠比例。

伪迹不是都能靠自动删除解决

眨眼、肌电、工频和电极接触不良具有不同频谱与空间形态。单一阈值很难同时处理。过度清理可能删除与任务相关的真实脑活动，保留过多又会让模型学习噪声。

独立成分分析、回归与自动分类器都依赖假设。应保留清理前后的质量摘要，并抽样人工查看边界案例。只有报告删除比例和原因，才能判断流程是否稳定。

临床场景中，某些动作伪迹本身与症状或任务相关。把它们全部移除，可能让训练数据偏离真实使用环境。研究问题应先决定哪些成分属于干扰。

外部验证要跨越真正存在的差异

随机留出同一中心的数据只能检验内部泛化。若产品将面对不同设备、年龄或采集人员，外部验证应主动覆盖这些变化，而不是只追求更大的测试样本。

性能下降时，应按设备、中心和信号质量分层观察。总平均值可能掩盖某一群体的明显失败。分层结果能够帮助判断是校准问题、数据不足还是模型目标本身不稳定。

外部数据也不能只在最终阶段使用一次。预先定义主要指标和失败阈值，可以减少看到结果后不断调整规则的诱惑。

评估指标要与实际用途对应

类别不均衡时，准确率可能被常见类别主导。灵敏度、特异度、精确率与校准误差回答不同问题，应根据漏检和误报的实际代价选择主要指标。

同一个模型阈值在不同中心未必保持相同表现。除了曲线下面积，还应报告选定阈值下的结果，并观察信号质量变化是否造成系统性偏移。

模型输出若要辅助人工判断，概率是否可信往往比排名高低更重要。可靠性图与校准评估能够揭示模型是否过度自信。

基线模型可以揭示复杂方法是否真的有效

深度网络表现优异时，仍应与简单频带特征、线性分类器和受试者无关基线比较。若简单方法已经取得相近结果，复杂模型增加的计算成本未必带来实际收益。

基线还可以暴露资料泄漏。一个不应具有预测力的受试者编号或记录顺序若得到异常高分，说明切分或特征处理中可能带入了目标之外的信息。

报告基线时应采用与主模型相同的数据切分和评价指标。不同切分得到的数字不能直接并列，也无法证明复杂方法带来了稳定改善。