近年来,脑电图分析在与AI和机器学习模型相结合进行验证时,在压力研究中获得了突出地位。 在这项研究中,提出了一个基于时间变化定向转移功能的轻量级动态大脑连接框架,其中通过基于ML的压力分类验证了电视DTF功能。 电视DTF估计大脑区域之间不同EEG频段之间的定向信息流,从而捕获静态功能连接措施经常忽略的时间和因果影响。 使用32通道SAM 40数据集的EEG录音,专注于心理算术任务试验。 基于EEG的动态电视DTF功能通过ML分类器进行了验证,如支持矢量机,随机森林,梯度提升,自适应提升和极端梯度提升。 实验结果表明,alpha-TV-DTF提供了最强的判别能力,SVM在3级分类中实现了89.73%的准确率,XGBoost在2类分类中实现了93.69%的准确率。 相对于绝对功率和基于相位锁定的功能连接功能,alpha TV DTF和beta TV DTF在ML模型中实现了更高的性能,突出了动态而不是静态措施的优势。 特征重要性分析进一步强调了占主导地位的远端前段和额叶枕信息影响,强调了压力下额叶区域的调节作用。 这些发现验证了轻量级电视-DTF作为一个强大的框架,揭示了不同压力水平的时空大脑动力学和方向性影响。