跳到正文
只看一手#SVM
10月7日周三
  1. Europe PMC · EEG 方法71

    面向儿童 ADHD 的 EEG 分类特征工程策略：专家、LLM 引导与全特征空间对照策略的受控基准评估

    基于摘要分析。本研究考察儿童 ADHD 的 EEG 分类中，不同特征工程策略在控制信息泄漏后是否仍有优势，并比较专家重构、LLM 引导与全特征空间策略。核心贡献是通过被试级验证及伪迹敏感性分析，检验性能估计与策略排名的稳健性。 研究使用固定队列中的 77 名儿童（45 名 ADHD、32 名对照），以 1,185 个不含 gamma 的 EEG 特征表示数据。作者评估 SVM、GMM、random forest（RF）和 XGBoost，采用嵌套留一被试交叉验证（LOOCV），并将所有数据依赖操作限制在外层训练被试内。专家重构与 LLM 引导策略的具体生成方式、特征筛选流程及调参空间尚未验证。 作者报告，在 100 次重复的分层 10 折交叉验证中，RF/expert 的平均 Accuracy 为 62.8%（SD 3.5%；经验 95% 区间 55.8%—69.5%），平均 Balanced Accuracy 为 62.3%，平均 AUC-ROC 为 0.618；对应的 LOOCV 点估计分别为 71.4%、71.0% 和 0.673。两种评估协议的数值应分别解读。作者另报告 GMM/expert 获得最高 AUC-ROC（0.699），提示模型排名依赖所选指标。 作者报告，专家重构策略在每个分类器上均取得最高 Accuracy 与 Balanced Accuracy，而 LLM 引导策略相对全特征空间未呈现一致优势；分类器间的两两差异经 Holm 校正后不显著，因此不能将数值排名等同于已确认的优势。 预先指定的 200 μV 伪迹门限使 RF/expert 的 Accuracy 降至约 55.8%，低于 58.4% 的无信息基准率；摘要未明确该结果对应的具体验证划分。作者提出两种可能解释：去除了与伪迹有关的信号，或 epoch 数减少导致特征估计更噪。二者尚不能据摘要区分。完整实验协议、消融及统计细节尚未验证；复现需核对数据与特征定义、折内处理流程、LLM 引导过程及伪迹门限实现。作者主张谨慎开展基准评估和外部验证，而非宣称算法或 LLM 优越性。

    阅读价值：该研究在训练折内限制数据依赖操作，对照专家重构、LLM 引导与全特征空间策略，值得核对其验证协议及伪迹敏感性结果，但不能据此认定某种算法或 LLM 策略具有普遍优势。

10月2日周五
  1. Europe PMC · EEG 方法71

    基于机器学习的重性抑郁障碍抗抑郁治疗反应源空间 EEG 功能网络生物标志物

    基于摘要分析。本研究针对重性抑郁障碍（MDD）抗抑郁药物选择缺乏预测性生物标志物的问题，分析治疗前静息态源空间 EEG 功能网络，并利用节点网络特征区分后续治疗应答者与非应答者，为候选治疗反应标志物提供初步证据。 研究在基线采集了 47 名 MDD 患者及 41 名健康对照（HCs）的静息态 EEG。治疗 12 周后，以 Hamilton Depression Rating Scale 评分降低至少 50% 定义应答，患者分为 20 名应答者和 27 名非应答者。源空间网络指标包括路径长度（PL）、强度、聚类系数（CC）及特征向量中心性（EC）；机器学习采用节点特征和嵌套交叉验证。 作者报告，在全局网络层面，非应答者相较应答者的高 beta 频段强度和 CC 更低、PL 更高；应答者的 theta 频段 CC 高于健康对照。在上述患者应答分类的嵌套交叉验证中，支持向量机获得 Accuracy 82.98%（95% CI：72.34%–93.62%）、敏感度 85.19%（95% CI：70.37%–96.30%）及特异度 80.00%（95% CI：60.00%–95.00%），摘要对三项指标均报告 p < 0.001，但检验方法及阳性类别定义尚未验证。作者还报告，应答者楔前叶和 pars orbitalis 的 theta 频段 EC 与心理评估评分显著相关，摘要未提供相关方向、效应量及具体量表。 这项研究的直接用途是评估治疗前 EEG 特征与后续临床应答的关联及预测能力，并非 BCI 控制任务。源定位方法、连接估计、频段边界、特征筛选是否完整纳入嵌套验证、折数与划分方式、药物方案及混杂因素控制均需查阅全文；实验协议、消融及统计信息尚未验证。样本规模较小，报告的交叉验证表现不能替代独立队列验证，也不能据此提出临床选药建议。

    阅读价值：值得核对源空间 EEG 节点网络特征对抗抑郁治疗反应的预测价值：作者报告了嵌套交叉验证结果，但小样本下的稳定性及独立队列泛化能力尚未验证。

1月1日周一
  1. OpenReview · EEG68

    面向运动想象脑机接口的基于归一化互信息的 EEG 解码

    基于摘要分析。该研究针对多通道运动想象 EEG 中与任务无关的噪声及冗余，提出以归一化互信息（NMI）分析信号间依赖关系的解码流程，将通道选择、依赖矩阵特征提取与分类结合起来。 方法上，先利用 NMI 选择信息性通道，再对重排后的 NMI 矩阵应用方向梯度直方图进行特征提取，最后使用径向基函数核支持向量机区分不同运动想象任务。其值得关注之处是把通道间依赖关系作为特征表示的基础，而不仅依赖单通道信号；但 NMI 的估计方式、通道选择准则、矩阵重排规则以及特征参数均尚未验证。 作者报告，在四个公开 BCI 数据集上，该解码方案显著提高了分类 Accuracy，并优于其他竞争方法。摘要未提供数据集名称、被试数量、具体分数、对照方法或被试内、跨被试及跨会话划分，因此目前不能判断收益幅度，也不能与其他协议下的结果直接比较；实验协议、消融及统计信息尚未验证。 复现时需从全文核对信号预处理、NMI 估计与矩阵构建细节，并确认通道选择和参数调优如何纳入训练与测试划分。平台推测（待验证）：依赖关系表示可能有助于压缩冗余通道信息，但低信噪比、有限样本下的 NMI 估计稳定性，以及跨被试或跨会话时依赖结构的变化，可能影响其泛化。可在固定划分与相同分类器下，对比全通道和 NMI 选通道流程，并检验所选通道及分类结果的稳定性。

1月1日周日
  1. OpenReview · EEG69

    你听到了吗？使用 EEGNet 检测听觉事件

    基于摘要分析。本研究针对纯音测听（PTA）依赖行为配合、部分受试者难以参与的问题，探索用 EEGNet 从 EEG 中检测纯音刺激引发的听觉事件，为基于脑信号的听阈测量提供方法依据。 研究使用在模拟纯音听力图测试过程中采集的数据训练 EEGNet。摘要将 EEGNet 描述为紧凑的卷积神经网络，并在相同任务与训练范式下训练 Support Vector Machines（SVMs）及 Common Spatial Patterns + Linear Discriminant Analysis（CSPLDA）作为对照。研究难点在于：随着刺激幅度接近个体听阈，相关神经响应更难稳定识别；传统 ERP 在成人受试者中的应用也受到限制。摘要未提供网络配置、预处理、刺激参数或具体训练细节。 作者报告，在未见过的被试上，EEGNet 检测听觉事件的 Accuracy 为 81.5%，体现了跨被试评估，而非被试内结果。作者报告其优于 SVMs，原文将优势表述为“略高于 5%”，但摘要未明确这是相对百分比还是百分点，因此不能进一步换算。EEGNet 也优于 CSPLDA，但相较这些对照的提升并非总是具有统计显著性；各评估条件与统计检验尚待全文核对。 作者对预测结果的进一步分析提示，在测试重复次数充分时，EEGNet 有望用于准确确定听阈。这是潜力判断，不能等同于已完成临床听阈测量验证，也不应将听觉事件检测 Accuracy 直接解释为听阈估计准确率。作者指出，测试设置复杂度、测试时长和准确率仍需改进。被试数量与人群特征、数据划分、重复测试与预测汇总方式、听阈误差指标、消融及统计信息尚未验证；复现时尤其应核对未见被试的划分协议，以及事件检测如何转化为听阈估计。

1月1日周五
  1. OpenReview · EEG69

    EEG 特征选择及 Lyapunov 指数在 EEG 生物特征识别中的应用

    基于摘要分析。本研究面向智能设备环境中的 EEG 生物特征识别，提出兼顾被试内低变异与被试间高区分度的特征选择准则，并评估最大 Lyapunov 指数作为个体身份特征的可行性。 数据来自七名被试的十六通道 EEG：每次进行两分钟闭眼静息态记录，每名被试在数天内至少记录五次。作者提取功率谱密度与最大 Lyapunov 指数，前者描述频域特征，后者用于表征信号的非线性动力学特性。特征选择采用由三类方差构成的 criteria index（CI），但摘要未提供三类方差的具体定义、组合公式或筛选阈值。 作者通过统计 t 检验及线性 SVM 的初步分类测试评估特征选择，报告在该七名被试身份识别实验中 Accuracy 为 94.9%；仅使用 T4、F4 两个 EEG 通道的最大 Lyapunov 指数时，作者报告 Accuracy 为 85.5%。摘要未明确前一结果对应的具体特征组合，也未说明训练与测试如何按记录时段或日期划分，因此不能将这些结果直接认定为 Cross-session 性能；多日采集本身不等于跨天独立测试。 其可核对的技术价值在于将特征的重复记录稳定性与身份区分能力共同纳入筛选，并探索低通道数非线性特征的识别潜力。复现需核对 EEG 预处理、最大 Lyapunov 指数估计参数、CI 计算方式、特征选择与数据划分的先后关系，以及 SVM 设置。样本仅覆盖七名被试，面向更多用户或更长时间跨度的适用性尚未验证；完整实验协议、消融及统计信息尚未验证。本研究任务是个体身份识别，不能据此推断运动想象等 BCI 任务的解码效果。

  2. OpenReview · EEG48

    基于小波变换与 SVM 方法的 EEG 检测

    基于摘要分析。该研究面向癫痫相关 EEG 异常波形难以通过目视识别的问题，提出结合小波变换与支持向量机（SVM）的信号分析及预测方法，核心是将异常 EEG 数据纳入后续训练的动态循环流程。 方法先在给定数据集上训练并获得参数，再对新个体的 EEG 信号进行多次小波分解，预测其是否具有癫痫特征波。按照摘要描述，若发现癫痫异常信号，则将该个体的 EEG 数据加入 SVM 训练模型，与此前异常数据合并后重新训练。小波变换承担信号分解，SVM 承担分类，但具体小波类型、分解层级、特征构造、核函数及参数选择尚未验证。 摘要将方法称为分析与预测技术，但所描述的目标是识别癫痫特征波，不能据此认定其实现了发作前预测。动态更新是值得核对的机制：新增样本的异常标签由谁确认、更新是否依赖模型自身预测，以及重训练后的性能如何在独立数据上评估，均需查阅全文。 作者提出该方法可能用于患者初步诊断并提高医生效率，但摘要未提供可核对的定量结果，不能视为已验证的临床收益。数据集、被试数量、被试内或跨被试划分、对照基线、实验协议、消融及统计信息尚未验证。复现需要确认数据来源、预处理与特征提取细节，以及动态更新的触发条件和训练／测试隔离方式。该工作属于癫痫 EEG 检测研究，材料不足以支持其对 BCI 解码任务的有效性。