硬标签丢弃了证据强度
传统 EEG 微状态分析把每个头皮电压模式简化为一个赢者通吃的标签：该地形被分配给最相似的模板，随后用时长、出现次数、覆盖率、转移和符号复杂度概括得到的标签序列。论文的出发点是，这种读法无法区分两种时间点——一种有一个明显占优的模板，另一种有两个模板证据几乎持平。一旦证据分布被压缩为 argmax 标签，胜出者的强度、它相对竞争模板的领先幅度，以及证据是混合还是微弱，都无法再从标签序列中恢复。
作者把硬标签序列视为一个更丰富对象的压缩读法，这个对象称为模板证据轨迹。在每个采样的全局场强（GFP）峰值处——即 alpha 频段信号跨通道标准差的局部极大值，微状态研究中常用的高信噪比采样点——轨迹保留与所有模板的相似度，而不只是最佳模板。研究要问的是，被丢弃的证据能否支撑与经典时长和复杂度指标相匹配的证据感知版本。
同一证据支撑的两个新指标
该框架导出两个扩展指标。高证据片段时长和片段率先对轨迹设阈值，只让对某状态有强证据的样本计入，再衡量这种强证据是聚集成持续片段，还是碎成短促爆发。由于阈值是状态内分位数，高证据样本的边际数量在构造上已被固定；因此该指标估计的不是绝对占用率，而是置信度在时间上的组织方式。
零状态 Lempel-Ziv 复杂度（LZC）则针对符号序列。普通 LZC 把每个硬标签都当作有意义的符号，即使没有任何模板能很好解释该地形。零状态 LZC 把低证据样本归入专门的零符号，于是证据不足的时段会明确进入复杂度计算，而不是被当作普通状态访问来计数。
两个扩展指标都与传统指标从同一个模板相似度矩阵计算，这正是比较能够匹配的原因：对每个状态模型，作者从相同输入导出硬标签序列和轨迹，再比较配对指标的统计效应。
四个数据集与八种状态模型
评估覆盖四个闭眼静息态 EEG 数据集，对应两类验证场景。阿尔茨海默病与健康对照的比较使用 OpenNeuro ds004504（36 名 AD 患者和 29 名健康对照，排除额颞叶痴呆组）和 CAUEEG 队列（将标签限定为早发型或晚发型 AD 与正常对照后，得到 228 名 AD 和 272 名健康对照）。年龄相关变化使用 Dortmund Vital Study 的 OpenNeuro ds005385（608 名 20 至 70 岁健康成人）和 TD-BRAIN（179 名 18 岁及以上健康成人）。
每个数据集在八种状态模型构造下分析：K = 4 和 K = 7 的 K-means、AAHC 与 HMM，加上受试者特异的自适应 Leiden 和 Infomap 社区。这构成 32 个数据集-模型组合。主要比较使用全局指标——全局平均时长和 LZC——而非状态特异指标，因为全局指标不绑定特定模板身份，因而在固定 K 设置和状态身份因受试者而异的自适应模型之间仍可比较。
对传统分支的合理性检查显示，K = 4 时的组水平 K-means 模板对应经典的 A–D 微状态模式，各数据集的全局解释方差在 0.66 至 0.73 之间；K = 7 时模板更细，解释方差升至 0.72 至 0.78。
时长效应在每个组合中都变大
核心结果关于效应量比值，定义为轨迹效应绝对值除以匹配的硬标签效应绝对值。对时长类指标，平均比值在测试的阈值与锐化参数组合间为 1.34 至 1.44。最大平均比值 1.44 出现在代表性设置下，此时轨迹指标在全部 32 个组合中都超过硬标签指标。邻近设置产生大小相近的比值，因此这一优势并非某个阈值选择的产物。
单个组合显示比值在实践中的含义。在 ds004504 的 K-means、K = 4 下，AD 与对照的时长效应从硬标签的 d = -0.871 变为轨迹指标的 d = -1.778。在 CAUEEG 中，同一比较从 d = -0.486 变为 d = -0.655。在年龄数据集中，同样是 K-means、K = 4，ds005385 的相关从 r = -0.172 增强到 r = -0.252，TD-BRAIN 从 r = -0.228 增强到 r = -0.345。
作者明确指出，这些效应的方向不是其贡献所在。在两个 AD 数据集和两个衰老数据集中，AD 和年龄增长都伴随更短的全局时长和更高的符号复杂度；证据感知指标放大的是匹配硬标签读法中已经存在的差异，而不是强加一个新的生理方向。
复杂度提升更小且依赖模型
零状态 LZC 也偏向证据感知读法，但一致性较低。在测试参数间，平均效应量比值为 1.13 至 1.23。在重点设置下，零状态 LZC 在 32 个组合中的 29 个超过硬标签 LZC，最大平均比值 1.23 出现在多个参数设置，而非单一设置。
组合层面的数字呈现同样模式：提升较小但真实存在。在 ds004504 的 AAHC、K = 4 下，LZC 效应从 d = 1.147 升至 d = 1.824；在 CAUEEG 的同一模型下，从 d = 0.748 升至 d = 0.919。这一收益在受限的固定状态模型中最一致，因为每个 GFP 峰值都必须分配给有限的模板集合。对自适应 Leiden 和 Infomap 模型，增量收益减弱，因为普通硬标签 LZC 在某些数据集中已经较强。
这种不对称对决定是否采用该框架的人很重要。时长扩展是结果中稳健的部分；复杂度扩展是次要收益，其大小取决于状态模型的受限程度。
分类提升温和但方向一致
作者随后检验指标差异能否转化为受试者层面的预测。硬标签和轨迹特征集各含 16 个指标，组合模型拼接全部 32 个。评估采用重复 5 折外层交叉验证，两个 AD 数据集做 AD 与对照分类，两个衰老数据集做年轻与年老对比（35 岁及以下对 60 岁及以上）。
在 ds004504 中，平衡准确率从硬标签特征的 0.806 升至轨迹特征的 0.828 和组合模型的 0.839，ROC-AUC 以组合模型最高，为 0.888，硬标签为 0.862。在 CAUEEG 中，平衡准确率从 0.704 升至 0.729 和 0.739，ROC-AUC 从 0.778 升至 0.790 和 0.814。在 ds005385 中，平衡准确率从 0.689 升至 0.696 和 0.703，最佳 ROC-AUC 来自轨迹特征，为 0.777。在 TD-BRAIN 中，轨迹特征带来最大改善，平衡准确率从 0.701 升至 0.752，ROC-AUC 从 0.800 升至 0.831。
跨数据集看，最佳平衡准确率来自轨迹特征集或组合特征集。提升方向一致，但相对折间标准差较小，因此这些指标更适合作为传统特征集的有用补充，而非替代。
证据感知读法不替代什么
论文对自身结论的范围很谨慎。高证据片段指标使用状态内分位数阈值，因此不估计绝对状态占用率；作者指出，传统覆盖率仍是胜出状态流行度的直接且可解释的度量，应当保留。证据感知指标被定位为时长和复杂度读法的置信度条件化扩展，而不是经典参数集的替代品。
这些带符号的效应也被描述为特定流程下的、产生假设的结果。作者指出，复现需要在同一批数据集上改变预处理、模板拟合策略、平滑设置和状态数选择，同时报告带符号效应和绝对效应，以判断更短时长和更高 LZC 是特定 AD 或衰老队列的稳健特征、alpha 频段 GFP 峰值动态的结果，还是疾病效应与状态模型构造之间的交互。分析限于闭眼静息态 alpha 频段活动，未做跨数据集通道插值或空间协调，所有地形分析都在各数据集原生导联布局下进行。
框架的价值落在哪里
32 个组合的比较给出一个清晰的优先顺序。如果目标是检测 AD 或年龄相关的全局地形状态动态变化，高证据片段时长指标是应首先采用的组件：它在代表性设置下于每个组合中都产生比匹配硬标签更大的效应，在更宽参数网格中至少 30 个组合如此，平均比值为 1.34 至 1.44。零状态 LZC 值得在状态模型为受限固定 K 构造时加入，因为其优势在自适应 Leiden 和 Infomap 社区中缩小。
分类结果设定了下游使用的预期：轨迹或组合特征在全部四个数据集上的平衡准确率最佳或接近最佳，但相对硬标签的增量很小。因此，该框架的价值在于锐化微状态指标本已能检测到的统计对比，同时保持与传统分析兼容——而不是替代覆盖率、状态特异指标或硬标签参数集。
本文引用的文献
An Evidence-Aware Framework for EEG Microstate Analysis: Improved Sensitivity to Alzheimer's Disease and Ageing
保留完整模板证据轨迹而非赢者通吃硬标签后，时长效应在代表性设置下的全部 32 个数据集-模型组合中都更大；零状态 Lempel-Ziv 复杂度的提升较小且更依赖模型，分类改善温和。