第6章 实验结果与综合分析
6.1 总体性能对比
表 6-1 汇总 SEED 基准（被试依赖协议）上各方法族的文献报告精度。按第5.0节声明，数值均引自原文献，本节以方法族为粒度解读。
表 6-1 SEED 被试依赖协议下的文献报告精度
| 特征工程 + SVM | DE + SVM | 约 59 | [1] |
| CNN | EEGNet 及变体 | 80–88 区间 | [9][13][15] |
| GNN | DGCNN | 90.4 | [17] |
| GNN（神经先验） | RGNN / BiHDM | 约 90–93 | [18][19] |
| 平坦 Transformer | 通道令牌注意力 | 85–92 区间 | [15] |
| 脑区感知（约束注意力） | ACTNN | 98.47 | [4] |
| 脑区感知（双分支融合） | DRFNet 类 | 98 量级（原文报告系列最优） | [5] |
表 6-2 SEED-IV 被试依赖协议下的文献报告精度
| 特征工程 + SVM | DE + SVM | 约 45–50 | [2][14] |
| GNN | DGCNN / RGNN / BiHDM | 约 65–80 | [17][18][19] |
| 脑区感知 | ACTNN | 91.90 | [4] |
三个层次的解读如下。
其一，结构先验的增益是跨方法族一致的。 从 SVM 到 CNN 的提升（约 +25 个百分点）主要来自表征学习；从 CNN 到 GNN 的提升（约 +5）来自通道间关系的显式建模；从 GNN 与平坦 Transformer 到脑区感知类的提升（约 +5 至 +8）则来自解剖结构先验的注入。值得注意的是，RGNN 与 BiHDM 已经引入半球侧化先验，其相对 DGCNN 的增益（约 1–3 个百分点）小于脑区感知类的进一步增益——说明先验的粒度与准确性（半球级 vs 脑区级）本身是效应量的调节变量：先验越贴近真实的解剖功能组织，增益越大。
其二，任务难度越高，先验价值越大。 四分类（SEED-IV）下 GNN 基线约 65–80%，而 ACTNN 达 91.90%[4]，差距大于三分类下的对应差距。直观解释：类别边界更精细时，平坦模型需要更多数据才能从噪声电极中筛出判别性模式；而结构先验直接缩小了搜索空间，小样本劣势被部分对冲。
其三，顶部精度接近饱和，协议是关键调节变量。 被试依赖协议下 SEED 精度已达 98% 量级，接近标注一致性上限，继续提升的空间与意义均有限；真正的开放前沿在被试无关协议（第6.5节）与临床级鲁棒性（第8章）。
以第5.2节的统计标尺复检表中数值：SVM→CNN 的增益（约 +25 个百分点）远超 15 被试样本的可分性阈值，属\”确定性结论\”；GNN→脑区感知的增益（约 +5 至 +8）跨越可分阈值，属\”稳健结论\”；而脑区感知类内部（ACTNN 98.47% 与 DRFNet 类 98 量级）的差异在可分性阈值以内，应判定为\”同水平\”，不存在可靠的排序依据。这一复检亦提示：该范式的实证任务已从\”证明领先\”转向\”解释机制\”——领先幅度大到无需更精细的模型间排序，而增益的来源分解（消融）才是信息量最大的证据形式。
6.2 消融分析：三段式架构的因果分解
消融证据（A1–A4，见第5.5节）来自 ACTNN 与 DRFNet 原文的模块去除实验[4][5]，效应量以\”去除后精度降幅\”概括（证据 B）：
| A1 | 去脑区映射（平坦输入） | 显著下降（数个百分点量级） | 三段式的地基；去除后双分支退化为平坦模型，先验即正则效应消失 |
| A2 | 去双分支（仅 CNN / 仅 Transformer） | 均下降，且两者降幅相近 | 双分支互补性成立：任一单分支无法同时覆盖局部与全局模式 |
| A3 | 去自适应融合（均匀平均/拼接） | 下降 | 区域贡献不等质，数据驱动的仲裁优于静态组合 |
| A4 | 去区域损失（λ=0） | 下降，且 α 分布退化 | 区域监督是表征独立性的保障，与 RFM 构成协同（第4.4节） |
A1–A4 的组合信息值得强调：单一组件均非充分。A1 保留双分支与融合但去分区，性能仍显著受损——说明没有区域语义，双分支只是两个平坦编码器；A2 保留分区但去分支，性能同样受损——说明没有互补感受野，分区只是分组。三段式是\”结构先验 × 感受野互补 × 动态仲裁\”的合取结构，这构成范式级证据：脑区感知类模型的领先并非某个单点的精巧，而是三个较弱机制的组合涌现。
从消融证据的元分析视角还可以提取两点方法学观察。其一，各文献消融实验的\”效应排序\”高度一致：A1（去分区）降幅最大，A4（去区域损失）次之，A2/A3 再次——这一排序在两个独立实现[4][5]中可复现，跨实现一致性本身构成对范式稳健性的额外证据（单点技巧的消融效应在复现中往往不稳定）。其二，消融降幅之间存在次可加性：同时去除两个组件的降幅小于两个单独降幅之和（如\”去分区 + 去区域损失\”的降幅小于 A1+A4），提示组件贡献存在重叠部分——分区先验本身已经部分提供了区域损失所强制的表征结构化压力。次可加性意味着组件间是\”部分冗余、整体互补\”的关系，这对工程取舍有直接指导：资源受限时可优先实现效应最大的组件（分区），而非追求完整三段式（证据 B/C 混合，方向性结论）。
辅助消融的证据方向性一致：解剖掩码优于无掩码（A5）；区域独立参数优于全区共享（A6）；分支过窄（d<32）或过深（层数>4）均有害（A7）[4][5]（证据 B）。
6.3 超参数敏感性
综合文献的扫描实验，超参敏感性呈清晰的分层结构（证据 B/C 混合）：
高敏感层。脑区数 N（D2）：N=5–7 为稳定平台，N<4 或 N>10 均出现明显下降（前者区域内异质性过高，后者区域过碎）；区域损失系数 λ（D6）：λ=0 等价于消融 A4，λ 过大（>1）时主任务梯度被稀释，0.1–0.5 为稳定区间。
中敏感层。分支宽度 d：64–128 为平台，d<32 时双分支容量不足，d>256 时过拟合风险上升（可由 dropout 部分对冲）；Transformer 层数：2–3 层最优，1 层不足以形成跨电极复合模式，4 层以上在小样本下训练不稳
