- 2 次围观
音乐感知与音乐意象为研究头皮脑电图（EEG）是否能够捕捉由外部驱动与内部生成的听觉状态之间可重复差异提供了一个受控环境。我们检验了公开的 OpenMIIR 数据集是否支持在其完整的十名受试者队列上，对音乐感知与线索提示下的音乐意象进行考虑信息泄漏的解码，并刻画了解码信号无法泛化的边界。采用紧凑的频谱与时间域 EEG 特征，我们实施了分层的按试次分组交叉验证、虚拟分类器与标签打乱的负对照、留一受试者法（LOSO）测试、1000 次基于试次层面的标签置换检验，以及针对每名受试者被试内准确率的一侧组水平 Wilcoxon 检验，并在所检验假设族上采用 Benjamini-Hochberg（BH）校正。 在被试内，群体层面的解码表现高于机会水平：针对逻辑回归准确率的组水平 Wilcoxon 检验得到 p = 0.0195，且效应量较大（Cohen's dz = 0.95；10 名受试者中有 7 名高于机会水平），这一结果也得到了汇总试次层面置换检验的确认（p = 0.0040）。汇总后的按试次分组平衡准确率中，随机森林达到 0.567 [0.550, 0.586]，逻辑回归达到 0.543 [0.523, 0.561]，均超过虚拟分类器与标签打乱对照。 跨受试者迁移较弱，且依赖于模型：在 LOSO 条件下，随机森林达到 0.559 [0.523, 0.597]，高于其虚拟基线（未经校正的 p = 0.014）；而逻辑回归未能实现泛化（0.518，p = 0.165）。在对九个检验假设进行 BH 校正后，有六项比较在 q音乐感知与音乐意象为研究头皮脑电图（EEG）是否能够捕捉由外部驱动与内部生成的听觉状态之间可重复差异提供了一个可控环境。我们检验了公开的 OpenMIIR 数据集是否支持在其完整的十名受试者队列上，对音乐感知与线索提示下的音乐意象进行考虑信息泄漏的解码，并刻画了解码信号失去泛化能力的边界。我们使用紧凑的频谱和时间域 EEG 特征，采用了分层且按试次分组的交叉验证、虚拟分类器与标签打乱的负对照、留一受试者交叉验证（LOSO）、1000 次基于试次层面的标签置换检验，以及针对每位受试者受试者内准确率的群体水平单侧 Wilcoxon 检验，并在所检验假设族范围内进行了 Benjamini-Hochberg（BH）校正。
在受试者内，解码在总体水平上高于随机水平：针对逻辑回归准确率的群体 Wilcoxon 检验得到 p = 0.0195，且效应量较大（Cohen's dz = 0.95；10 名受试者中有 7 名高于随机水平），这一结果又通过汇总的试次层面置换检验得到确认（p = 0.0040）。汇总后的按试次分组平衡准确率方面，随机森林达到 0.567 [0.550, 0.586]，逻辑回归达到 0.543 [0.523, 0.561]，均超过了虚拟分类器和标签打乱对照。
跨受试者迁移较弱，且依赖于模型：在 LOSO 条件下，随机森林达到 0.559 [0.523, 0.597]，高于其虚拟基线（未经校正的 p = 0.014）；而逻辑回归未能实现泛化（0.518，p = 0.165）。在对九项检验假设进行 BH 校正后，六项比较在 q
这些结果表明，OpenMIIR EEG 支持对音乐感知与线索提示意象进行幅度适中但可重复的受试者内区分，并揭示了“受试者内线性泛化”与“跨受试者非线性泛化”之间的边界；同时也说明，公开 EEG 音乐数据的分析需要采用考虑信息泄漏的验证策略，并对受试者泛化能力的结论进行审慎校准。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.06.743425v1?rss=1
🏷️ 脑电解码 音乐感知 音乐意象 信息泄漏 跨受试者泛化 OpenMIIR