🔍 耿同学打假报告

论文信息

标题：Robust Frequency-Calibrated Virtual EEG Channel Generation from Four Frontal Electrodes for Wearable EEG Augmentation
作者：Minghao Xiao
单位：华南理工大学生物医学科学与工程学院 / 自动化科学与工程学院
期刊：文本中未标明具体期刊（疑似处于投稿状态）
DOI：无
发表年份：未明确（参考文献引用至 2026 年）
论文来源：Robust Frequency-Calibrated Virtual EEG Channel Generation from Four Frontal Electrodes for Wearable EEG Augmentation.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：数据规模与深度学习常理的严重冲突（“低保真”数据喂出“高保真”模型？）

位置：Section 2.1 (Data, channel selection, and preprocessing) / Page 2
描述：作者声称使用了 PRED+CT 数据库的 119 名受试者，但随后明确指出划分方式为：“95 subjects and 950 segments were used for training, 11 subjects and 110 segments for validation, and 13 subjects and 130 segments for testing”。每个受试者只提取了 10 个片段（每片段 6 秒）。这意味着训练集仅有 950 个样本。
证据：
1. 一个包含 91 万（912,770）参数的深度学习模型（包含 GATv2、Multi-scale encoder 等），仅仅使用 950 个样本进行端到端训练，在现代深度学习中是极度违背常理的。这通常会导致严重的过拟合，但模型却在测试集上表现优异。
2. PRED+CT 是一个连续记录的脑电数据集，包含概率学习任务。为什么每位受试者只截取 10 个 6 秒的窗口（总共才 60 秒数据）？这是极度反常的数据浪费。如果真的是这样，这等于是用极小的子集在“刀尖上跳舞”；如果不是，那就是数据描述存在严重造假或隐瞒。
严重程度：🟠

发现 2：鲁棒性测试数据出现“克隆”级相似（随机数生成器罢工了？）

位置：Table 4 (Robustness under wearable-like source-channel perturbations) / Page 13
描述：在两种完全不同的扰动条件（0.5-s dropout 和 ±20% gain mismatch）下，FAVC-Net 的多项核心评估指标出现了惊人一致的均值和标准差。
证据：
- 在 0.5-s dropout 下：KL = 0.073 ± 0.002，CFTC = 0.962 ± 0.002
- 在 ±20% gain mismatch 下：KL = 0.073 ± 0.002，CFTC = 0.962 ± 0.002
- 甚至 SCI 指标也极为接近（0.059 ± 0.007 vs 0.058 ± 0.007）。
- 不同的物理干扰（一段信号置零 vs 信号幅度全局缩放）在多次重复实验的统计均值上产生完全相同到小数点后三位的数值，这在数学概率上极低。这高度怀疑是作者在编造数据或发生复制粘贴错误。
严重程度：🔴

发现 3：统计学结果“教科书般完美”（p值精确得让人害怕）

位置：Section 3.4 (Robustness under wearable-like source-channel perturbations) / Page 12
描述：作者报告了在 Mixed stress 条件下 FAVC-Net 优于 GN 的 Wilcoxon signed-rank test 结果，声称 FAVC-Net 在 100% 的受试者中 SCI 指标更好，p 值为 0.000244。
证据：测试集受试者为 13 人（13 subjects）。在 Wilcoxon signed-rank test 中，如果 13 对样本的差值全部同号（即 100% 优于对照组），其精确双尾 p 值计算公式为 \(2 \times (1/2^{13}) = 2 / 8192 = 0.000244140625\)。
- 作者报告的 0.000244 与理论上的极限最小 p 值完全吻合。虽然数学上自洽，但在实际科研计算中，这通常意味着使用了极其刻板的对比，或者这个 p 值是直接从统计学教材的极限例子里“抄”下来的，显得过于做作。
严重程度：🟡

发现 4：单兵作战的量产型作者与异常时间线

位置：References / 标题页
描述：该论文由 Minghao Xiao 一人独立完成，不仅横跨了华南理工大学的两个学院，且通讯邮箱使用了极其私人的 QQ 邮箱（3098975303@qq.com）。
证据：
1. 邮箱异常：正规的学术论文极少使用纯数字 QQ 邮箱作为唯一通讯方式，这通常见于学生期末作业、预印本或某些不受待见的掠夺性期刊。
2. 工程量极大：文章声称复现并比较了 8 种不同的基线模型（包括 GN, ESTformer, VEEG-A-U-Net 等），进行了详尽的消融实验、4 种扰动测试和外部数据集验证。如此庞大且完备的 SOTA 工程量和润色程度，由一名独立作者（大概率是硕士生）在没有基金资助（Funding: No funding was received）的情况下完成，显得非常不合理，疑似使用了大量未标注的“第三方辅助”。
3. 时间线冲突：参考文献 [31] 标注为 “Yang CK et al. (2026)... https://doi.org/10.1007/s10916-**025**-02200-4”。结合当前日期（2026-06-12），引用 2026 年的文献是可能的，但这进一步佐证了该手稿是近期刚炮制出来的“急就章”。
严重程度：🟡

发现 5：图片复用与拼接检测（无法检测声明）

位置：Fig 1 ~ Fig 4
描述：文本中未提供原始的图片文件或高分辨率可视化内容，无法对 Western Blot、热力图的像素级重叠、PS拼接痕迹进行检测。
证据：不适用。
严重程度：⚪（无法判断）

耿同学辣评

这篇论文给我生动的上演了一出“一个人活成了一支队伍”的戏码。用一个 QQ 邮箱单枪匹马干翻了 8 个 SOTA 模型，不给经费还能把消融实验和外部验证做得滴水不漏，最硬核的是模型只吃了 950 口“粗粮”（训练样本）就能抗住各种噪声干扰——可惜在表 4 里，不同噪声对这个模型的破坏力竟然能做到一模一样，连随机数生成器都自叹不如。建议作者下次编数据时，稍微给随机数种子留点面子，别把不同实验的结果克隆得那么像双胞胎！

建议后续行动

联系作者要求提供原始数据（特别是质问为什么 119 个受试者只用 950 个 segments，以及要求提供 Table 4 的逐次实验原始数值）
在 PubPeer 上提出质疑
向期刊编辑部举报（如确属已投稿状态）
向作者所在机构（华南理工大学）学术委员会举报该独立研究可能存在的代写或数据伪造行为

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

Robust Frequency-Calibrated Virtual EEG Channel Generation from Four Frontal Electrodes for Wearable EEG Augmentation