摘要
研究目的：失眠與焦慮、憂鬱症狀具有高度相關，過去研究亦指出失眠個案在腦電圖（EEG）beta頻段活動上可能與健康對照組不同。然而，針對長期失眠風險的預測研究，仍較少同時整合自陳式量表與靜息態 EEG 特徵，並進一步檢驗其可能存在的非線性關係。本研究旨在探討 T1 的焦慮與憂鬱量表分數，結合靜息態 EEG Beta1 全腦相對功率，是否可提升對長期失眠的預測能力。
研究方法：本研究採縱貫設計，於 T1、T2、T3 三個時間點進行追蹤，每次間隔 6 個月。納入完成三次 ISI 評估且符合長期失眠（T1/T2/T3 ISI 皆 ≥ 9）或長期睡眠良好（T1/T2/T3 ISI 皆 < 9）之受試者共 54 人，其中長期失眠組 19 人、長期睡眠良好組 35 人。以 T1 的 BAI、BDI 總分與閉眼靜息態 5 分鐘 EEG 所計算之 Beta1（12–15 Hz）全腦相對功率（EEG_PWR_REL_BETA1_BRAIN_AVG）作為特徵，採用 Stratified 10-fold cross-validation 與 leave-one-subject-out（LOSO）驗證多種機器學習模型，並進一步比較在線性模型中加入 Beta1 平方項後的表現變化。
研究結果：在整體模型比較中，Naive Bayes 具有最佳預測表現；其 AUC 由僅使用量表時的 0.9128，提升至加入 Beta1 後的 0.9308，並於加入 Beta1 平方項後進一步提升至 0.9444，LOSO AUC 為 0.943。相較之下，在 Logistic Regression 中，單獨加入 Beta1 線性項未提升效能（AUC：0.9053 → 0.8902），但納入 Beta1 平方項後，AUC 提升至 0.9323，且在 LOSO 下亦由 0.901 提升至 0.934。結果顯示，Beta1 對長期失眠風險的影響可能並非單純線性，而以平方項表徵後可提升線性模型之辨識能力。
結論：本研究顯示，結合自陳式量表與靜息態 EEG Beta1 全腦相對功率，有助於提升長期失眠的預測表現。其中，Naive Bayes 為整體表現最佳模型；而在具可解釋性的 Logistic Regression 架構中，加入 Beta1 平方項後的明顯增益，進一步支持 Beta1 與失眠風險之間可能存在非線性關係。此結果指出，EEG 生理訊號不僅可作為量表之外的增量資訊，其適當的非線性表徵亦可能對失眠風險辨識具有臨床應用價值。