用于精神病理学维度预测的粒度感知脑电图特征框架

arXiv：2607.02670v1 公告类型：新 摘要：脑电图（EEG）提供了一种无创方法来检查维度精神病理学的神经生理学相关性，但跨脑电图范式和特征粒度的系统证据仍然有限。在这里，我们开发了一个粒度感知的脑电图特征管道，将多尺度描述符组织成全局、区域和通道级别。使用健康大脑网络 (HBN) 队列，我们​​评估了四种精神病理学维度的预测：p 因子、内化、外化和注意力问题，涵盖四种脑电图范式。考虑到儿科精神病理学的异质性和问卷调查评分的中等可靠性，这种设置代表了具有挑战性的可行性测试，而不是临床筛查场景。基于树的模型和粒度平衡的特征选择在选定的条件下显示出比传统方法有希望的改进，尽管效果大小仍然不大。所选标记的可视化揭示了特定维度的空间和光谱模式，这些模式与现有的神经生理学知识大致一致。对独立 PEARL 队列进行的探索性跨数据集健全性检查表明，所提出的选择原则在协议转换下在技术上仍然可行，而不要求跨数据集的普遍性。总体而言，多尺度脑电图特征包含与维度精神病理学相关的微弱但可检测的信号，并且粒度感知选择可以作为未来基于脑电图的表型研究的有用特征减少策略。