催眠易感性EEG分类的跨被试评估

基于摘要分析。该研究针对催眠易感性的客观分类，使用二维卷积神经网络（2D CNN）处理仅经少量预处理的 EEG，无需手工特征提取，并比较不同脑区、时间窗及多窗集成在跨被试评估中的表现。引导意象（Guided Imagery，GI）下的放松状态评估是其应用背景，但摘要未说明催眠易感性分组与即时放松状态之间的对应关系，两者不宜等同。 研究纳入 62 名男性参与者，其中 Control 组 32 人、Hypno 组 30 人，使用 256 通道密集阵列放大器，在 GI 或认知任务条件下采集 EEG。滑动窗口框架覆盖七个按解剖定义的脑区与 124 个十秒时间窗，最多评估 868 个独立模型。流程先进行片段级随机划分筛选，再采用留一被试法（LOSO）交叉验证评估跨被试泛化，并集成 K = 10 个时间窗的预测。摘要提及带通滤波与 z-score 标准化，但具体滤波参数、标准化范围、CNN 结构及训练细节尚未验证。 作者报告：片段级随机划分下，最佳单时间窗模型的 Accuracy 为 0.82；LOSO 下，额区平均 Accuracy 为 0.646、AUC 为 0.692；采用 K = 10 个时间窗集成后，前额区平均 Accuracy 达到 0.738。这些数字来自不同评估条件或脑区，不应直接作为同一模型的性能增幅。作者还报告，随机划分中占优的枕区在 LOSO 下表现降至接近随机水平，并将其解释为模型利用了被试特异性 EEG 特征，而非真正可泛化的组间差异；这一解释仍需结合全文实验核对。 阅读重点是评估协议对结论的影响，以及时间窗集成是否稳定改善跨被试预测。催眠易感性的分组标准、任务条件与标签的关系、窗口筛选及集成选择是否完全位于训练折内、超参数选择、消融及统计信息尚未验证。样本仅包含男性，其对其他人群及临床场景的适用性也尚待验证；作者提出的前部脑区标志物结论不等同于已确立临床有效性。