基于 EEG 的脑特异性生物标志物机器学习

基于摘要分析。该研究关注 EEG 机器学习预测究竟利用了中枢神经系统（CNS）活动还是外周生理信号，并提出区分两类信息来源的分析框架，以评估脑特异性生物标志物的信号依据。 方法上，研究使用基于 Morlet wavelets 的跨频谱统一信号表示，构建传统脑活动特征（如 log power）及机器学习方法使用的协方差矩阵输入。研究在公共数据库 TUAB、TDBRAIN 的超过 2600 条 EEG 记录上，以年龄与性别预测为示例任务，分析外周信号及伪迹去除技术对模型性能的影响；记录数不能等同于独立被试数。 作者报告，在所考察的基准中，基础伪迹剔除改善了模型性能，而进一步使用 ICA 去除外周信号降低了性能。作者报告，外周信号本身能够支持年龄与性别预测，但其解释的预测表现仅占脑信号所提供表现的一部分。这些结果表明，预测性能较高并不自动意味着模型获得了 CNS 特异性信息；脑源和身体来源的信号均可能承载个人特征信息。 研究的主要价值在于将预测能力与信号来源特异性分开考察，而非仅比较模型分数。作者同时指出，结论可能依赖具体预测问题，不能直接推广到所有 EEG 生物标志物或 BCI 任务。摘要未提供具体性能指标、模型配置、脑源与外周成分的判定细则及数据划分；被试内、跨被试或跨数据库评估协议、消融及统计信息尚未验证。复现时需核对基础伪迹剔除与 ICA 的具体流程、成分识别标准，以及各信号条件下是否采用一致的数据划分和模型评估设置。