脑电图（EEG）作为一种非侵入性技术，常用于研究神经生理与精神病理学维度之间的关联。然而，目前系统性的证据仍较为有限，尤其是在不同EEG范式和特征粒度方面。针对这一不足，Haoan Cheng及其合作者提出了一种粒度感知的EEG特征管道，将多尺度描述符系统地组织为全局、区域和通道三个层级。该方法旨在更全面地捕捉大脑活动的特征，从而提升对精神病理学维度的预测能力。
研究团队利用健康大脑网络（HBN）队列中的大量数据，评估了该框架在预测四种精神病理学维度上的表现：p因子、内化问题、外化问题以及注意力问题。测试覆盖了四种不同的EEG范式，包括静息态和执行功能相关任务态。考虑到儿童精神病理学的异质性和问卷评分的中等可靠性，这一设定被视为一项严格的可行性测试，而非临床筛查场景。研究者强调，该研究的目标是检验多尺度EEG特征是否包含与维度精神病理学相关的信号，而非直接应用于诊断。
在特定条件下，基于树的模型（如随机森林和梯度提升树）与粒度平衡的特征选择方法相比传统方法显示出有希望的改进。具体而言，当使用全局和区域级特征组合时，粒度平衡策略在p因子和内化维度上取得了适度的性能提升，但在外化和注意力问题上提升不显著。效应量仍然适中，这可能反映了当前特征集和模型复杂度的局限性。通过可视化，研究者发现所选特征呈现出维度特异性的空间和频谱模式：例如，内化问题相关的特征主要集中在额叶区域，而注意力问题则更多涉及枕叶和中央区域。这些模式与现有的神经生理学知识大致吻合，为EEG特征在精神病理学中的潜在应用提供了直观证据。
此外，为了验证方法的稳健性，研究团队在独立的PEARL队列上进行了探索性跨数据集检查。该队列使用不同的EEG设备和记录协议，但结果仍然表明所提出的特征选择原则在协议变化下保持技术可行性。然而，研究者明确指出，该检验仅为合理性检查，并未声称方法具有跨数据集泛化能力。整体而言，多尺度EEG特征中蕴含着与维度精神病理学相关的微弱但可检测的信号，而粒度感知的选择策略有望成为未来基于EEG的表型研究中一种有用的特征降维方法。该研究为开发更精准的神经精神表型工具提供了重要基础，但其临床转化仍需进一步验证。