一種粒度感知的腦電圖特徵框架用於精神病理學維度預測

腦電圖（EEG）作為一種非侵入性技術，常用於研究神經生理與精神病理學維度之間的關聯。然而，目前系統性的證據仍較為有限，尤其是在不同EEG正規化和特徵粒度方面。針對這一不足，Haoan Cheng及其合作者提出了一種粒度感知的EEG特徵管道，將多尺度描述符系統地組織為全域性、區域和通道三個層級。該方法旨在更全面地捕捉大腦活動的特徵，從而提升對精神病理學維度的預測能力。

研究團隊利用健康大腦網路（HBN）佇列中的大量資料，評估了該框架在預測四種精神病理學維度上的表現：p因子、內化問題、外化問題以及注意力問題。測試覆蓋了四種不同的EEG正規化，包括靜息態和執行功能相關任務態。考慮到兒童精神病理學的異質性和問卷評分的中等可靠性，這一設定被視為一項嚴格的可行性測試，而非臨床篩查場景。研究者強調，該研究的目標是檢驗多尺度EEG特徵是否包含與維度精神病理學相關的訊號，而非直接應用於診斷。

在特定條件下，基於樹的模型（如隨機森林和梯度提升樹）與粒度平衡的特徵選擇方法相比傳統方法顯示出有希望的改進。具體而言，當使用全域性和區域級特徵組合時，粒度平衡策略在p因子和內化維度上取得了適度的效能提升，但在外化和注意力問題上提升不顯著。效應量仍然適中，這可能反映了當前特徵集和模型複雜度的侷限性。透過視覺化，研究者發現所選特徵呈現出維度特異性的空間和頻譜模式：例如，內化問題相關的特徵主要集中在額葉區域，而注意力問題則更多涉及枕葉和中央區域。這些模式與現有的神經生理學知識大致吻合，為EEG特徵在精神病理學中的潛在應用提供了直觀證據。

此外，為了驗證方法的穩健性，研究團隊在獨立的PEARL佇列上進行了探索性跨資料集檢查。該佇列使用不同的EEG裝置和記錄協議，但結果仍然表明所提出的特徵選擇原則在協議變化下保持技術可行性。然而，研究者明確指出，該檢驗僅為合理性檢查，並未聲稱方法具有跨資料集泛化能力。整體而言，多尺度EEG特徵中蘊含著與維度精神病理學相關的微弱但可檢測的訊號，而粒度感知的選擇策略有望成為未來基於EEG的表型研究中一種有用的特徵降維方法。該研究為開發更精準的神經精神表型工具提供了重要基礎，但其臨床轉化仍需進一步驗證。