使用滑动窗口 2D CNN 对催眠易感性进行脑区特异性 EEG 分类：受试者独立评估

arXiv:2610.28427v1 公告类型：新 摘要：我们研究了在经过最少预处理的 EEG 信号上训练的 2D 卷积神经网络（CNN）能否根据不同脑区对催眠易感性进行分类。62 名男性参与者（32 名控制组，30 名引导意象 / Hipno 组）使用 256 通道 EGI 电极帽进行了 20 分钟的 EEG 记录。我们采用滑动窗口方法，对每名参与者记录中的全部 10 秒窗口进行评估，覆盖七个预先定义的脑区（前额叶、额叶、颞叶、中央区、顶叶、枕叶和面部区域），最多得到 868 个独立训练的模型。采用片段级 90/10 随机划分进行初步筛选后发现，五个脑区的准确率超过了 0.67 的阈值，其中枕叶区域在 90.3% 的窗口中取得了最高的平均准确率（0.721）。然而，通过留一受试者交叉验证（LOSO）进行受试者独立评估后，结果发生了显著变化：枕叶区域的表现下降至接近随机水平（平均 ACC 为 0.453，AUC 为 0.429），表明随机划分下的高准确率是由受试者特异性的 EEG“指纹”所驱动，而非源于真实的组间差异。相比之下，额叶和前额叶区域在 LOSO 评估中仍保持高于随机水平的准确率（分别为 0.646 和 0.624），展现出真实的泛化能力。这些结果强调了在基于 EEG 的分类研究中进行受试者独立验证的必要性，并表明前部皮层区域是更可靠的催眠易感性神经标志物。