《Diagnostics》：Explainable Rhythm-Resolved EEG for Retrospective Comparison of Psychiatric-Service Adults with Recorded Violent Offences and Non-Clinical Controls
编辑推荐：
背景/目标：本研究检验节律分辨脑电图（electroencephalography, EEG）特征能否区分两个回顾性组，以及这些特征能否追溯至明确节律和传感器。两组分别为接受精神科服务且有暴力犯罪记录的成年人与非临床对照；该设计不比较罪犯与非罪犯。方法：研究人
背景/目标：本研究检验节律分辨脑电图（electroencephalography, EEG）特征能否区分两个回顾性组，以及这些特征能否追溯至明确节律和传感器。两组分别为接受精神科服务且有暴力犯罪记录的成年人与非临床对照；该设计不比较罪犯与非罪犯。方法：研究人员分析了来自95名成人（51名对照；44名有犯罪记录参与者）的2554个非重叠15 s EEG时段。RhythmFluxPat生成9216个秩转移特征。CWImRMR使用全队列标签选择352个特征，分类器选择嵌套于95个参与者留出留一受试者交叉验证（leave-one-subject-out, LOSO）折内。结果：分类器嵌套的t算法k近邻（t-algorithm-based k-nearest-neighbour, tkNN）分类2392/2554个时段（93.66%）和93/95名参与者（97.89%），独立检查复现了两个混淆矩阵。嵌套支持向量机（support vector machine, SVM）给出相似值（94.71%的时段；93/95名参与者）。在四种特征选择器的比较评估中，CWImRMR仍为最佳分支（93.85%），44特征子集达到91.11%。DRLobish将所选特征连接至记录犯罪分配面板中的delta和beta-to-gamma路径，以及对照分配面板中的theta和alpha-to-theta路径。结论：RhythmFluxPat提供可追溯的秩持续和秩交换坐标。所报告准确率为乐观的内部估计。在声称泛化或生物标志物有效性之前，需要进行与匹配精神科对照的完全嵌套复制。
研究背景方面，神经犯罪学（neurocriminology）结合神经科学与犯罪学，考察脑功能、反社会行为与犯罪行为之间的关联，但不替代心理、临床、社会或情境解释。既有EEG研究提示，异常或定量EEG差异、额叶alpha不对称、任务相关振荡、静息网络稳定性、刺激后振荡与同步、微状态及静息标记等与暴力或攻击相关，但结果高度依赖人群和实验条件；年龄、警觉、药物、精神科状态、物质暴露、注意和记录质量均可影响振荡活动，单一神经模式不能解释所有个体。可解释EEG分类还面临三个问题：同一参与者的多个时段若随机进入训练和测试，可能反映参与者识别而非组水平泛化；所选特征常仅为匿名数值索引，无法回溯至节律和传感器；特征选择与模型优化共用交叉验证流可造成乐观偏倚。为此，研究人员提出RhythmFluxPat-XFE流程，在参与者留出分类器测试下评估回顾性分组分离，并检验支持分离的坐标能否追溯至明确节律和通道路径；研究不估计未来犯罪、再犯、危险性、道德责任或犯罪意图。记录犯罪组来自精神科服务，对照无既往临床诊断，因此比较的是精神科服务有暴力犯罪记录成人与非临床成人，而非罪犯与非罪犯。
研究人员分析了95名成人的2554个非重叠15 s EEG时段（51名对照，1430个时段；44名记录犯罪参与者，1124个时段），提取9216个节律转移特征，采用全队列标签的CWImRMR选择352个特征，并在95个参与者留出LOSO折内嵌套分类器选择；tkNN分类结果为2392/2554个时段（93.66%）和93/95名参与者（97.89%），嵌套SVM为94.71%的时段和93/95名参与者；四种特征选择器比较中CWImRMR最佳（93.85%），44特征子集为91.11%。DRLobish将所选坐标解码为节律—传感器路线。其意义在于建立了从原始EEG时段、所选特征索引到源—节律—目标表达的可审计连接，但所报告准确率因特征选择使用全队列标签而属于乐观内部估计，尚不能据此声称泛化或生物标志物有效性。
关键技术方法（不超过250字）：采用回顾性队列，95名成人中44名有记录暴力犯罪者来自Firat大学医院精神科服务，51名非临床对照的招募来源不可用。使用256 Hz、32通道EMOTIV Flex系统记录，划分为15 s时段；RhythmFluxPat构建5个节律内和4个跨节律的32×32有向转移层，生成9216个可逆特征；CWImRMR以全队列标签进行累积前缀选择，保留352个特征；tkNN在90个候选配置中搜索，分类器选择嵌套于95个参与者留出LOSO折；另以相同折进行嵌套SVM检查；DRLobish在分类后解码所选特征为节律和通道路线。特征排序和前缀选择未在外折内重复。
研究结果如下。3.1 评估设置：以2554个时段、9216个初始特征和95名参与者建立评估矩阵，对照为负类、记录犯罪为正类；采用参与者留出LOSO，将同一参与者全部时段置于测试折，参与者层面以多数投票汇总，并计算准确率、记录犯罪敏感度、对照特异度、平衡准确率及Wilson区间；初始分类器选择为94.01%时段准确率，分类器嵌套分析作为固定面板的参考分析，二者均因全队列面板选择而乐观。3.2 分类结果：分类器嵌套LOSO正确分类2392/2554个时段（93.66%），记录犯罪敏感度91.64%、对照特异度95.24%、平衡准确率93.44%，阳性预测值93.81%、阴性预测值93.54%、F1为92.71%、Matthews相关系数0.871；95个内折准确率均值94.05%（SD 0.21%）；参与者多数投票正确分类93/95（97.89%，Wilson 95% CI 92.65–99.42%），51名对照全部正确，42/44名记录犯罪者正确，2名错误者均归入对照；参与者层面敏感度95.45%、特异度100.00%、平衡准确率97.73%，无平票。嵌套SVM正确分类2419/2554个时段（94.71%，参与者簇bootstrap 95% CI 92.30–96.88%），敏感度92.88%、特异度96.15%、平衡准确率94.52%，参与者93/95正确；线性核在81/95外折被选，C=0.001在76折被选，SVM与tkNN错误不完全相同，说明结果不依赖tkNN搜索，但仍带全队列特征选择乐观。3.3 可解释人工智能（explainable artificial intelligence, XAI）结果：352个特征均解码为节律层、源通道和目标通道，按参与者平衡类均值得到176个对照分配和176个记录犯罪分配坐标，该等量分布非特征选择或训练时强加，XAI结果均为描述性。3.3.1 路线级DRLobish结果：对照分配面板中gamma-to-alpha占19.91%、alpha-to-theta占18.12%、节律内gamma占15.56%，edge标签占33.68%，领先聚合路线为右中央gamma-to-alpha loop，通道水平为C4→CP6，参与者平衡AUC 0.770、绝对Hedges’ g 1.024、XAI评分42.3；记录犯罪分配面板中Type IV标签占60.11%，edge、corner、loop分别占17.57%、12.64%、9.68%，delta占16.33%、beta-to-gamma占16.59%，最高坐标为右颞alpha-to-theta loop的T8→T8，AUC 0.793、|g| 1.064、XAI评分59.2，该自转移可能对颞肌活动敏感；最大AUC为记录犯罪分配的Oz—D→FR（0.817）及反向FR—D→Oz（0.814）。Type IV为编码定义的符号语法类别，不表示解剖或功能断开。3.3.2 通道与节律层分布：记录犯罪组通道富集主要为CP2、CP6、O1、FC1、CP5，对照组主要为Fp2、FT10、Pz、PO9；节律内delta在记录犯罪分配面板高10.46个百分点，theta在对照面板高11.24个百分点；跨节律beta-to-gamma和theta-to-beta在记录犯罪面板分别高5.47和3.29个百分点，alpha-to-theta在对照面板高10.52个百分点，gamma-to-alpha在两组均贡献；delta富集因可能受警觉、困倦、药物和慢伪迹影响而被谨慎解释。3.3.3 替代树审计：三特征替代树使用delta FC2→F8、gamma-to-alpha FT9→CP6和delta FT10→FT10，LOSO正确分类44名对照和38名记录犯罪者，参与者准确率86.32%，低于主模型，且三个坐标均涉及外周传感器、一个为自转移，故仅作解释审计，不替代主分类器。3.3.4 路线评分与选择依赖性的描述性检查：CWImRMR与CWINCA共享9个坐标（Jaccard相似度1.39%），与CWIChi2共享44个（9.78%），与CWIReliefF共享9个（1.65%），四选择器仅共同保留delta Oz→Oz自转移；前6条路线中XAI评分与AUC的Spearman相关在对照为0.143、记录犯罪为0.771，与|g|的相关分别为0.986和0.600；这些为六路线摘要的描述性检查，非全352特征权重扰动或重采样稳定性估计；三特征替代树86.32%与主模型97.89%不是直接保真度指标，DRLobish被描述为可逆特征级解释而非个体tkNN决策解释。3.3.5 替代预测一致性的数学界限：由主模型51/51对照、42/44记录犯罪正确及替代树44/51、38/44正确，仅从组计数可推出至少44名对照的替代与主模型预测相同，记录犯罪组一致数可能为36、38或40，总体配对一致率数学界限为80/95（84.21%）至84/95（88.42%），该界限不是观察到的保真度估计。3.4 特征结构：每层32个自转移使288/9216（3.125%）为自转移，随机352面板预期约11个（95%范围5–18）；涉及FT9、FT10、Fp1、Fp2、F7、F8、T7或T8等外周通道的坐标有4032/9216（43.75%），随机面板预期约154个（136–172）；两个领先坐标为外周自转移T8→T8（alpha-to-theta）和FT10→FT10（delta），提示所选面板的结构特征需谨慎解释。
讨论部分总结：固定面板得到93.66%时段准确率和97.89%参与者多数准确率，嵌套SVM相似，CWImRMR在比较分析中仍最佳，但因面板以全队列参与者选择，均为内部估计。研究主要贡献不限于分类性能，而是建立原始EEG、特征索引与源—节律—目标表达之间的可追溯连接。记录犯罪分配面板中delta和beta-to-gamma路线更突出，对照分配面板中theta和alpha-to-theta路线更突出，但这是队列特定特征空间性质，不建立暴力犯罪的通用EEG签名。记录犯罪组来自精神科服务、对照来源不可用，两组平均年龄相差约14岁、可用时段范围不同，药物、镇静、精神科诊断、物质暴露、警觉等未充分记录；精神科状态和治疗本身构成对比，EEG差异可能反映疾病或治疗而非犯罪史。delta尤其可能受困倦、警觉、药物、镇静和慢伪迹影响，不能解释为暴力特异神经标记。生物学解释方面，delta可能与被动观看时警觉差异有关，theta/alpha-to-theta可能与持续注意、感觉门控和视听刺激参与有关，beta-to-gamma可能与快活动时间组织或残余颅肌活动有关；这些均为可检验解释，不是已识别皮层通路。区域模式可能反映视觉输入、注意和任务状态，但头皮电极记录混合源，参考和容积传导影响通道关系，互惠传感器路线不证明双向皮层通信。Type IV是编码类别，不表示组织损伤或连接中断。记录犯罪状态是历史组标签，不是当前攻击、抑制控制或未来暴力的直接测量。精神科视角下，镇静和抗精神病药可增加慢波，苯二氮?类可增加快beta，故delta和beta-to-gamma路线可能部分反映治疗；未来应纳入无暴力犯罪的精神科患者，并用结构化诊断访谈、药物记录和标准化攻击/冲动测量。数字法医视角下，框架优点是审计轨迹，但法医稳健性还需原始记录完整性、来源链、固定软件版本和完整日志；本研究未记录MATLAB版本，仅保留一个外折的完整候选级内结果，尚非案件工作的数字法医方法。比较结果显示四种选择器产生不同面板，CWImRMR为最佳单分支（93.85%，352特征），44坐标Chi2∩mRMR为91.11%，CWIChi2为88.25%，CWINCA为82.69%，CWIReliefF为77.21%，两个9坐标交集为78.82%和77.88%，单delta Oz→Oz为65.19%；面板大小不单独决定准确率，IMV未超过最佳单分支，top-3集成为93.54%和92/95，与CWImRMR相差8个时段但预测在142个时段不同，纠正67个错误并引入75个新错误；选择器间重叠有限，仅一个坐标四者共有，故某坐标出现在一个面板中不应视为稳定性证据；未与既往攻击或犯罪相关EEG研究直接比较准确率，也未证明RhythmFluxPat优于常规频带功率。使用边界方面，epoch级和参与者级结果描述不同方面，参与者级是epoch预测聚合而非独立验证；176/176类分配非生物对称；三特征替代树仅作解释审计；DRLobish路线是传感器空间可逆描述，不是解剖束、皮层源、有效连接或因果通路；路线评分不是临床阈值、诊断评分或个体风险校准；神经犯罪学提供科学背景，HumanForensics提供可追溯和可读证据的计算框架，二者均不支持自动法医决策。局限与未来工作包括：特征排序和前缀选择使用全部95名参与者，仅分类器选择嵌套，准确率可能膨胀；需要真实数据完全嵌套的端到端估计和全流程参与者标签置换检验，以及匹配嵌套频带功率比较；年龄差约14岁、精神科服务招募、未测临床变量、可用epoch数不同、定量伪迹评分缺失、刺激内部认知状态未验证；尚不支持完全嵌套特征排序、完整置换检验、年龄校正比较、匹配频带功率基线、全队列特征提取验证与消融、独立复制、模型校准和决策曲线分析；本研究为横断面回顾性单队列分组分离，未测试前瞻性暴力预测、再犯或超越临床和人口学信息的增量价值，未来需从测量到机制再到效用验证。
研究结论（翻译）：RhythmFluxPat以可逆的源—节律—目标坐标表示每个EEG时段。CWImRMR将9216个特征缩减为352特征开发面板，并用于参与者留出tkNN分类；该流程支持透明的回顾性EEG比较。在352特征面板固定时，分类器嵌套的参与者留出LOSO正确分类2392/2554个时段（93.66%）和93/95名参与者（97.89%）；多数投票正确分类全部51名对照和44名记录犯罪参与者中的42名。这些导出结果经独立验证，但面板曾使用全部95名参与者标签选择，故准确率必须解释为乐观内部结果。相同折下的嵌套SVM给出相似值（94.71%的时段；93/95名参与者），因此结果不依赖分类器家族。在比较特征选择分析中，CWImRMR仍为最佳分支（2397/2554个时段；93.85%），六个交集面板和IMV均未超过它。DRLobish将所选输入解码为传感器空间节律路线；记录犯罪分配面板中delta和beta-to-gamma路线更突出，对照分配面板中theta和alpha-to-theta路线更突出。其生物学相关性可通过关于警觉、注意和感觉参与的假设检验；这些模式描述所选转移，而非实测频带功率变化、皮层连接或个体分类器决策，提供候选坐标而非已验证生物标志物；在所采用的短滞后下，delta层路线索引秩持续。DRLobish提供特征级可追溯性；跨选择器Jaccard重叠和领先路线相关为描述性检查，不是全panel权重扰动或重采样稳定性检验。所识别路线代表队列特定传感器空间关联，不建立解剖连接、因果神经机制或暴力犯罪的通用EEG签名；该模型不应用于个体诊断、未来暴力预测或法律决策。队列范围监督特征排序和前缀选择未在外折内重复，完全嵌套真实数据端到端估计和参与者层面置换检验仍不可用；两组年龄相差约14岁，并将精神科服务状态与记录犯罪状态结合，因此不能从本队列推断独立泛化或犯罪特异生物标志物。
