基于统计与机器学习(Machine Learning, ML)整合分析的EEG心理负荷(Mental Workload)标记物验证

《Applied Neuropsychology: Adult》：Validation of EEG mental workload markers using integrated statistical and machine learning analyses

　　

目的：注意和工作记忆过程可通过脑电图（Electroencephalography, EEG）进行无创监测，为心理负荷（Mental Workload）提供生理指标。既往研究一致报道认知需求任务中前额中线θ（Theta, 4–8 Hz）与β（Beta, 13–30 Hz）功率增加及后头部α（Alpha, 8–12 Hz）活动抑制。然而多数研究仅依赖组水平统计分析或单独的机器学习（Machine Learning, ML）分类，常未检验ML模型识别出的预测特征是否对应已确立的神经生理标记物。方法：本研究重新分析包含36名健康青年成人执行心算任务的公开EEG数据集（EEGMAT）。采用Welch法（1秒Hamming窗，50%重叠）计算功率谱密度（Power Spectral Density, PSD），涵盖δ（Delta, 1–4 Hz）、θ、α、β及γ（Gamma, 30–50 Hz）经典频段。同时分析锁定算术刺激呈现的事件相关电位（Event-Related Potential, ERP）。以被试水平交叉验证训练三种ML分类器——逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine, SVM）和随机森林（Random Forest），区分静息与任务状态。结果：ERP分析显示刺激锁定调制出现在20–50 ms潜伏期，反映任务中快速感觉卷入。频谱分析显示显著的负荷相关变化：θ功率增加（η2=0.49），α功率降低（η2=0.37），β功率增加（η2=0.18），δ功率降低（η2=0.38），γ波段差异经多重比较校正后无统计学意义。ML模型中随机森林分类性能最高（准确率Accuracy=0.92±0.03，AUC=0.94）。特征重要性分析表明θ与α频段功率对分类贡献最大，与统计学结果一致。结论：结果复现了公认的认知负荷EEG特征，且证明统计推断与ML预测存在收敛性。生理解释与预测建模的一致性支持前额θ增强与后头部α抑制是认知参与（Cognitive Engagement）的可靠指标。这些发现凸显了基于EEG的负荷监测在医疗及应用神经科学（如认知衰退早期检测、神经康复监测）中的潜力。但样本量偏小及单一数据集设计需谨慎解释，未来需在更大独立队列中验证。

《基于统计与机器学习整合分析的EEG心理负荷标记物验证》论文解读

该研究发表于《Applied Neuropsychology: Adult》。心理负荷（Mental Workload）反映个体在执行任务时的认知资源需求，在医疗、航空等高风险管理领域对绩效与安全至关重要。脑电图（Electroencephalography, EEG）因高时间分辨率及无创特性，被认为是捕捉认知参与相关快速神经动态的理想工具。已有大量研究证实认知负荷增加时前额中线θ（Theta, 4–8 Hz）活动增强（与工作记忆及执行控制相关），后头部α（Alpha, 8–12 Hz）功率抑制（反映皮质激活与注意分配）。然而现存研究多单独报告组水平统计差异或单独做机器学习（Machine Learning, ML）分类，极少在同一数据集中将统计效应量与ML特征重要性（Feature Importance）进行对照验证，且ML在神经认知研究中存在可解释性差、小样本过拟合、缺乏外部验证等问题。此外，静息与任务状态的视觉输入差异（闭眼vs睁眼）对α波的混淆影响也常被忽视。为此，研究人员通过对公开数据集做二次分析，旨在：复现经典频谱负荷效应；探查事件相关电位（Event-Related Potential, ERP）差异；评估基于被试水平验证的ML分类性能；并检验经典统计发现与模型特征重要性是否收敛，以确认EEG负荷标记物的神经生理合理性。

研究人员选取公开EEGMAT数据集（OpenNeuro: ds003838），原始N=100，经严格质控（ICA伪迹拒绝率<5%、行为数据完整、任务正确率≥70%）最终纳入36名青年受试者（27女/9男，18.25±2.17岁）。EEG为23导Neurocom系统、500 Hz采样、10–20电极排布，离线平均参考。预处理流程：0.5–45 Hz零相位有限脉冲响应（Finite Impulse Response, FIR）带通滤波+50 Hz陷波，坏导球面样条插值，Infomax独立成分分析（Independent Component Analysis, ICA/runica）结合ICLabel去除眼电/肌电/心电等伪迹（概率>0.90），残余幅值±100 μV阈值剔除。功率谱密度（Power Spectral Density, PSD）采用Welch法估计（1 s Hamming窗，50%重叠，FFT=500点），提取各经典频段相对功率——δ（1–4 Hz）、θ（4–8 Hz）、α（8–12 Hz）、β（13–30 Hz）、γ（30–45 Hz），并进行重复测量ANOVA及FDR校正，辅以置换检验。ERP提取刺激前200 ms至后800 ms，以刺激前200–0 ms基线校正，考察20–50 ms早期及200–400 ms中晚期窗口。ML以23导×5频段=115个频谱特征，每名被试静息+任务共2样本（N=72），采用被试级10折交叉验证（同一被试两状态同属一折以防数据泄漏），先z-score标准化、主成分分析（Principal Component Analysis, PCA）保留>95%方差降维，再分别训练L2正则逻辑回归、线性SVM及随机森林（Random Forest），嵌套网格寻优，计算准确率（Accuracy）、AUC、灵敏度、特异度等，做标签置换检验与Bootstrap置信区间。随机森林以基尼不纯度平均下降量化特征重要性，线性模型以标准化绝对系数考察方向性，对比ANOVA效应量以评估统计—ML收敛性。

参与者特征与任务表现（Participant characteristics and task performance）

36名受试者心算平均正确率88%±6%（平均完成17.61±2.39/20题），正确率与反应时变异小，说明被试均保持一致的认知努力与任务投入，排除因行为脱岗导致神经差异的可能。

事件相关电位（Event-Related Potentials, ERPs）

算术刺激呈现后20–50 ms出现明显额—顶极性差异（额区正、枕区负→枕区正），为早期视觉感觉登记与前向传导，非工作记忆等高级认知加工。因静息态无刺激事件，ERP差异主要反映任务中有视觉刺激驱动的感觉处理而非纯粹负荷标记，但证实刺激被可靠感知。

频谱功率变化（Spectral power changes / PSD analysis）

重复测量ANOVA（FDR校正）显示：θ功率显著升高（F(1,35)=57.79, p<0.001, η²=0.49），在前额中线Fz最大；α功率显著降低（F(1,35)=33.89, p<0.001, η²=0.37），在顶区Pz最显著；δ功率降低（η²=0.38）；β功率升高（η²=0.18）；γ波段未通过FDR校正（p=0.12）。结果复现心算任务下前额θ增强与后头部α抑制的经典模式，但α抑制受闭眼静息/睁眼任务视觉状态混淆，应理解为状态转换而非纯负荷强度效应。

各频段ANOVA统计量（ANOVA statistics across frequency bands）

效应量排序为θ（η²=0.49）>δ（η²=0.38）≈α（η²=0.37）>β（η²=0.18），γ不显著。确认低频振荡（特别是θ、α）解释大部分条件相关神经方差。

认知状态的机器学习分类（Machine learning classification of cognitive states）

随机森林分类准确率最高（Accuracy=0.92±0.03, AUC=0.94），优于SVM（Accuracy≈78%, AUC=0.82）和逻辑回归（Accuracy≈74%, AUC=0.78）。特征重要性归一化值：θ≈0.38、α≈0.32、β≈0.18、δ≈0.12，与ANOVA效应量排序高度吻合，证明ML模型依赖的是具生理意义的神经信号而非伪相关。混淆矩阵显示两类敏感度与特异度均衡。

讨论小结

前额中线θ增强源于内侧前额叶及前扣带回，反映执行控制与工作记忆维持；顶区α抑制代表皮质去抑制及注意资源向任务分配；β适度增强与认知定势维持有关；γ未显著可能受23导低空间分辨率限制。早期ERP为感觉编码而非负荷机制。统计推断与ML特征重要性收敛是本研究的 methodological贡献，佐证θ、α为可解释且预测力强的认知状态特征。局限含样本偏小、仅二态（静息vs单难度任务）无负荷梯度、闭眼/睁眼α混淆、23导阵列空间分辨率有限、静息先于任务可能存在顺序效应。未来需大样本多难度、高密度EEG、counterbalance设计及频谱参数化分解，亦可联合多模态生理信号。

结论（Conclusion）原文意译

本研究识别出心算作为认知负荷模型的稳健EEG特征。通过整合经典统计分析与ML分类证明，经典频谱标记物——特别是前额θ增强与后头部α抑制——在不同分析框架下保持一致且具可解释性。统计推断与预测建模的收敛增强了这些振荡模式反映真实生理神经过程（而非方法学假象）的信心。尽管受限于样本量及EEGMAT实验设计，该标记物的可复现性支持其继续作为认知参与与心理负荷的指标。统计结果与ML特征重要性的吻合表明，基于EEG的预测因子既可解释又具计算效用。θ与α振荡可作为检测静息?高认知需求状态转换的稳定、具生物学意义的特征，有望用于医疗、神经康复及需持续认知状态评估的人机交互实时监测系统。