《Brain Sciences》：EEG-Based Machine Learning Classification of Shooting Conditions and Performance Levels During the Shooting Preparation Stage
编辑推荐：
背景：射击成绩既取决于环境条件，也取决于准备阶段的神经状态。目前，使用机器学习（ML）对射击条件和成绩水平进行EEG分类的研究仍较少。本研究评估了射击前EEG特征是否能够区分不同射击条件以及同一条件下的成绩水平。方法：研究人员分析了35名射击者在正常、噪声和低
背景：射击成绩既取决于环境条件，也取决于准备阶段的神经状态。目前，使用机器学习（ML）对射击条件和成绩水平进行EEG分类的研究仍较少。本研究评估了射击前EEG特征是否能够区分不同射击条件以及同一条件下的成绩水平。方法：研究人员分析了35名射击者在正常、噪声和低光照条件下的EEG与行为数据。分别使用支持向量机（SVM）和随机森林（RF）评估了频带功率、基于相位锁定值（PLV）的功能连接特征以及滤波器组共空间模式（FBCSP）特征；EEGNet作为成绩分类的端到端基准模型。重复逐试次五折交叉验证用于评估数据集内试次层面的判别能力，补充的留一受试者交叉验证（LOSO-CV）用于评估成绩分类任务中对未见射击者的泛化性能。结果：三类特征均提供了射击条件以及高、低成绩试次的判别信息。FBCSP结合SVM在数据集内取得最佳性能：正常与低光照条件分类准确率达91%，正常条件下高、低成绩分类准确率达81%。由于同一参与者的试次可能同时出现在训练折和测试折中，这些准确率并不代表跨被试独立性能。LOSO-CV准确率为59%至70%，表明跨被试泛化有限。beta频带特征表现出相对一致的判别贡献。gamma频带和额叶通道结果需谨慎解读，因为无法排除残余肌电活动以及基于虚拟EOG校正过程中额叶EEG衰减的可能性。结论：射击前EEG特征显示出初步的数据集内可判别性，但个体间变异限制了泛化。在实际部署之前，需要更大的独立数据集、专门的EOG/EMG记录以及受试者自适应策略。
研究背景：射击是一项需要运动技能与心理控制高度协调的复杂运动，环境条件以及注意、情绪、压力等心理变量都会影响射击成绩。脑电（EEG）能够直接反映大脑活动，已有研究识别出不同射击条件和成绩水平下准备阶段的多种EEG神经标记。然而，以往研究多基于单一预定义EEG标记进行统计比较，难以涵盖射击准备过程中复杂的频谱、空间和连接信息；同时，个体间电生理特征差异较大，可能限制基于EEG的监测方法向新射手推广。机器学习（ML）已在医学诊断、脑状态识别和情绪监测等领域广泛应用，但在射击EEG研究中，系统性地同时解码射击条件和成绩水平的研究仍然较少。因此，研究人员开展了本项研究，目的是评估射击前EEG特征能否区分不同射击条件以及同一条件下的高、低成绩水平，并量化个体间变异对跨被试泛化的影响。
研究人员使用了来自已报道的射击准备阶段熟练射手脑网络研究数据集，经G*Power 3.1先验功效分析后纳入35名受试者。受试者在正常、噪声和低光照条件下完成立姿手枪射击，同步记录EEG和七项行为指标。研究人员分别提取频带功率、基于相位锁定值（PLV）的功能连接和滤波器组共空间模式（FBCSP）三类EEG特征，使用支持向量机（SVM）和随机森林（RF）进行分类，并以EEGNet作为端到端基准；主要采用重复逐试次五折交叉验证评估数据集内试次层面判别，并在成绩分类任务中补充留一受试者交叉验证（LOSO-CV）评估跨被试泛化。结果显示，三类特征均包含判别信息，FBCSP结合SVM的总体判别性能最好；beta频带特征贡献相对一致，gamma频带和额叶通道结果需谨慎解释。该研究提供了射击前EEG包含条件和成绩组判别信息的初步证据，但尚不构成可部署的监测方法。
主要关键技术方法：数据来自已报道的有限感觉功能条件下射击准备阶段熟练射手脑网络数据集（35名受试者，正常/噪声/低光照条件）。EEG预处理包括降采样至250 Hz、50 Hz陷波、4–70 Hz带通滤波和FastICA虚拟EOG校正。特征提取包括：频带功率（theta/alpha/beta/gamma，120维）；PLV功能连接（Hilbert变换计算通道间锁相值，弹性网络特征选择）；FBCSP（将4–40 Hz分为9个子带，各子带CSP提取20个特征，共180维）。分类器采用RBF核SVM、RF和EEGNet；评估采用重复逐试次五折交叉验证，成绩分类另加LOSO-CV；行为标签由K-means聚类七项行为指标得到高/中/低成绩组，并用t-SNE和轮廓系数评估；所有监督步骤仅在训练折内完成以防信息泄漏。
研究结果：
3.1 条件判别性
3.1.1 基于频带功率特征的条件判别性
使用频带功率特征时，RF模型在正常vs噪声、正常vs低光照和噪声vs低光照三个两两比较中的准确率分别为74±0.85%、84±0.49%和86±0.56%；beta频带准确率最高，gamma频带次之。通道重要性地形图显示，不同条件比较所依赖的脑区不同。
3.1.2 基于PLV功能连接特征的条件判别性
使用PLV特征时，SVM模型在三个比较中的准确率分别为66±1.25%、
