基于隐马尔可夫模型的性别特异性脑电信号复杂度解析：揭示神经动力学非线性特征

来自神经科学领域的研究人员通过隐马尔可夫模型（HMM）量化脑电信号（EEG）复杂度差异，突破传统熵/李雅普诺夫指数方法的局限，在顶叶-额叶-中央区实现86%性别分类准确率，证实女性脑活动复杂度更高，为神经动力学性别差异研究提供新范式。

　　

神经科学领域长期关注两性脑功能差异，从结构到神经活动层面探索其对行为特征的影响。这项研究另辟蹊径，采用隐马尔可夫模型（Hidden Markov Model, HMM）解码脑电信号（EEG）的复杂度特征，成功捕捉到性别特异性神经动力学模式。与传统非线性指标——如熵（entropy）、李雅普诺夫指数（Lyapunov exponent）和赫斯特指数（Hurst exponent）相比，HMM在顶叶、额叶及中央脑区的分类准确率飙升到86%，性能提升幅度显著。

通过频段滤波分析发现，两性复杂度差异广泛存在于多个频段，且女性大脑活动展现出更丰富的非线性特征。这一发现与既往研究完美契合，暗示HMM在提取神经信号深层动态特征方面具有独特优势。该成果不仅为脑机接口的性别适配提供新思路，更开辟了用计算模型解析神经复杂性的创新路径。