同一个学生把作业拆成几份，一份拿来练习，另一份拿来考试，看似是新题，其实仍带着熟悉的笔迹。EEG（脑电图）模型也会遇到类似问题：同一个人的生理、设备和采集条件会留下稳定特征。若把其不同信号片段随机分进训练集和测试集，模型可能学会了“认人”，而不是识别疾病。
据 Frontiers in Neuroinformatics 报道，研究在儿童 ADHD 和成人 Parkinson's disease 两个公开队列中测试同一套 Random Forest。按 EEG 窗口随机切分时，平衡准确率——各类别召回率的平均值——分别达到 95.59% 和 92.02%；把训练与测试受试者完全分开后，成绩降至 60.98% 和 56.17%。落差说明，成千上万个信号窗口并不等于成千上万个独立样本：统计把握主要仍取决于 121 名和 149 名受试者。
这项工作的提醒很直接：评估生物信号模型，应把一个人的全部片段放在同一数据分区，测试集只留下模型从未见过的人。否则，漂亮分数衡量的可能不是对新患者的泛化能力，而只是对旧面孔的记忆。