基于 CNN 的短时 EEG 被试独立 MBTI 外向/内向偏好分类器

基于摘要分析。该研究考察经过最少预处理的短时 EEG 是否包含可区分 MBTI 外向/内向偏好的信息，并提出紧凑卷积架构 SSCNet，与 EEGNet、EEGProgress 比较。研究对象是人格偏好标签预测，而非 BCI 控制任务。 研究将 50 名参与者的 EEG 划分为 4 秒片段，采用被试独立的嵌套 5 折交叉验证。模型直接分析短时时域 EEG，不依赖手工频谱特征提取；具体网络结构、预处理步骤、损失函数及训练设置尚未验证。 作者报告，在上述评估协议下，SSCNet 的平均 Accuracy 为 0.6481、AUC 为 0.7063、F1 为 0.6276，均为所比较模型中的最高值，且折间变异最低。作者还报告，SSCNet 与 EEGProgress 的可训练参数量相近，但训练轮次耗时中位数最短、训练吞吐量最高；摘要未提供具体参数量、耗时、吞吐量或硬件条件，因此尚不能量化效率优势。 这些结果支持作者关于短时 EEG 对 MBTI 外向/内向偏好具有一定预测能力的结论，但不能据此认定模型能够稳定测量人格或泛化至其他人群与采集条件。复现时需核对 MBTI 标签获取方式与类别分布、嵌套交叉验证中的被试分组及调参流程、片段预测如何汇总，以及指标计算层级与不确定性。实验协议细节、消融及统计信息尚未验证；摘要也未提供可确认的代码与数据开放信息。