🔍 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
期刊：未见期刊名（疑似预印本或投稿稿）
DOI：无
发表年份：2024-2026年间（参考了2025及2026年的文献）
论文来源：Robust Frequency-Calibrated Virtual EEG Channel Generation from Four Frontal Electrodes for Wearable EEG Augmentation.pdf

综合评定：🔴 实锤

详细发现

发现 1：统计学界的“奇迹”——精准踩中 Wilcoxon 检验的数学极限

位置：Section 3.4 (Robustness under wearable-like source-channel perturbations) 及 Table 4
描述：论文声称在受试者水平进行了 Wilcoxon signed-rank tests，并报告了一个极其显眼的 p 值：p = 0.000244。
证据：
根据 Section 2.1 描述，测试集包含了 13 个受试者（13 subjects）。在非参数统计中，对于 N=13 的双侧 Wilcoxon 符号秩检验，所有可能出现的秩和排列组合总数为 $2^{13} = 8192$ 种。
要达到最极端的显著性（即所有13个受试者的结果都呈现一致性变化），其理论最小 p 值为 $$2 / 8192 = 0.000244140625$$ 。
论文中给出的 p = 0.000244 完美契合了这个极限值（精确到了小数点后6位）！这说明什么？这说明作者声称模型在 100% 的受试者中（13/13）全部毫无例外地击败了对比模型。
在脑电信号这种充满个体差异的数据中，13个人的病理/生理信号能得出 100% 一致的严格排序，且恰好卡在统计学极限上，这通常不是大自然的手笔，而是“人造数据”的特征。
严重程度：🔴

发现 2：复制粘贴忘了改数据？不同扰动下的离奇一致

位置：Table 4 (Robustness under wearable-like source-channel perturbations)
描述：在 Table 4 中，作者测试了两种完全不同的物理扰动：“0.5-s dropout”（信号丢失0.5秒）和“±20% gain mismatch”（增益不匹配）。然而，这两种不同扰动下，FAVC-Net 的测试结果出现了令人匪夷所思的完全一致。
证据：
查看 Table 4 中 FAVC-Net 自身的数据表现：
- 0.5-s dropout 条件下：KL divergence 为 0.073 ± 0.002，CFTC 为 0.962 ± 0.002。
- ±20% gain mismatch 条件下：KL divergence 竟然也是 0.073 ± 0.002，CFTC 也是 0.962 ± 0.002！
  此外，LSD (0.578 ± 0.011 vs 0.586 ± 0.011) 和 SCI (0.059 ± 0.007 vs 0.058 ± 0.007) 也近似到了小数点后两三位。
  一种是信号瞬间断崖式归零，一种是信号幅度整体缩放，模型在这两种截然不同的物理损伤下，不仅性能几乎一样，连标准差（SD）都纹丝不动。这极大概率是作者在编造鲁棒性数据时，使用了“复制粘贴并微调”的手法，却偷懒没有改变均值和方差。
严重程度：🔴

发现 3：宛如克隆的对比模型排名

位置：Table 4 (Best non-FAVC 列)
描述：在不同噪声干扰下，各个 baseline 模型的相对表现呈现出“死板”的规律。
证据：
仔细观察 Table 4 的 Best non-FAVC 这一列：
- 无论是在 EMG burst、Dropout 还是 Gain mismatch 下，LSD 指标的最强配角永远是 VEEG-A-U-Net。
- KL 指标的最强配角永远是 Deep-CNN。
- SCI 和 CFTC 的最强配角永远是 GN。
  真实的神经网络对不同噪声（如高斯噪声、脉冲噪声、乘性噪声）的敏感度是截然不同的。现实中不可能存在一种完美的境界：所有模型在不同的物理干扰下，其内部优缺点的排名发生根本不改变。这说明对比数据很可能是人为构造的，而非真实跑出来的独立实验结果。
严重程度：🟠

发现 4：文本中未提供足够的图片信息（无法进行像素级分析）

位置：Figure 1, 2, 3, 4
描述：无法执行耿同学第一式（图片复用）和第三式（PS痕迹）的检测。
证据：提供的文本中包含 Figure Caption，但没有实际的图像文件。无法确认 Figure 2 (EEG信号叠加图) 和 Figure 3/4 (频谱热力图) 是否存在翻转、克隆或拼接。不过，从现有的表格数据漏洞来看，图表的可靠性已大打折扣。
严重程度：N/A

耿同学辣评

搞深度学习不能只靠 PS 和 Excel 拖拽大法啊！连编造鲁棒性实验数据的时候，都懒得算一下不同噪声分布的物理差异，直接 Ctrl+C 加 Ctrl+V 只改个数字前缀。更绝的是，为了追求 p 值好看，硬生生让 13 个人的脑电波对你的模型心服口服，精准踩中 $$1/4096$$ 的统计学极限。这哪是在做脑电信号重建，这分明是在用脑电波算命吧？

建议后续行动

在 PubPeer 上提出质疑（附上 p 值数学极限和 Table 4 数据雷同的计算截图）
联系作者要求提供 13 个受试者在不同噪声下的原始 LSD/KL/SCI 散点图（尤其是 Wilcoxon 秩和的具体分布）
向可能接收此稿件的期刊编辑部举报数据异常
建议作者重新跑一下实验，至少把 Table 4 里 Dropout 和 Gain Mismatch 那一模一样的 0.073 ± 0.002 给圆一下

⚠️ 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