Perplexity

你真正的問題不是「beta 沒訊號」，而是把研究目標綁死在「用一個 subject-level mean beta 去讓已經很強的 BAI/BDI baseline AUC 再往上加一點」，在 n≈55 的條件下這本來就很難、而且投稿說服力有限。 更好的方向是：把 EEG 當成「失眠相關腦狀態的機制性與個體差異 biomarker」，重構問題、改變表徵與融合方式，而不是苦撐一個漂亮的 ΔAUC。[1][2][3][4][5]

---

原本問題設錯在哪

近年大型 sleep EEG 研究發現，睡眠 EEG 尤其高頻功率裡，個體穩定的「trait-like signature」非常強，往往比「是否有 insomnia」這個診斷差異還支配模型表現。 在這種情況下，你用單一夜、單一 subject-level mean beta power 去預測一個粗略的 3TP 二元 outcome，本身就處在訊號極小、雜訊極大的 regime。[3][5]

同時，BAI/BDI 之類的臨床量表對失眠症狀與軌跡已經有很強的預測力，文獻也一再指出：當 baseline 模型表現已佳時，新 biomarker 的 AUC 增量通常很小，即便存在真實效應。 在 n≈55 的前提下，任何想靠「多一個 EEG scalar feature 把 AUC 再推高 0.05–0.10」的企圖，統計上非常吃虧，也難以說服審稿人這不是 overfitting。[2][4][1]

---

應該放棄的舊框架

• 把研究主軸定義成：「subject-level mean beta power 能不能顯著提高 BAI/BDI baseline 對 3TP 的 AUC」。
  在目前樣本量與 baseline 情況下，這幾乎註定得到「效果存在但增量細小」的結論，很難成為一篇有存在感的主文。

• 靠資料驅動微調頻段（例如 upper beta 22–29 Hz）來追逐更漂亮的 ROC，而把「後設切頻段」包裝成發現。
  現在 sleep / psychophysiology 文獻對 data-driven 頻段其實並不反感，但如果你只拿「這個 band AUC 比 broad beta 高 0.03」當主故事，確實會被質疑可發表性與探索性校正問題。[5][3]

• 把 EEG 僅當成「又一個 baseline feature」，而不是「腦生理機制的觀測窗口」。
  目前 insomnia EEG 文獻逐漸轉向：強調 hyperarousal 機制、個體化腦簽名、aperiodic 指標與微狀態等新型 biomarker，而不是單純比哪個頻段 AUC 高一點。[4][6][7][1][2]

---

六到十條替代研究路線（總表）

下面先給你 8 條「明顯不同於原本框架」的路線，之後我會挑出最值得深入做的前三條來展開具體方案。

1. 路線1：EEG 不穩定性 / 變異性指標

   • 核心概念：不用 mean power，而是用 segment-level beta（或 broader high-frequency）在一晚內的波動程度、burstiness、極端值比例，作為「cortical hyperarousal instability / sleep instability」的 biomarker。[8][9][4]
   • 為何適合：你已有逐 segment 的功率版本，可以直接算 CV、IQR、burst rate、transition rate，樣本量限制比較小，統計上只需要簡單 regression / logistic 即可；而且與 3TP 的關係可以被解釋成「不穩定性預示之後軌跡」。[9]
   • 比現在更可能成 paper：是，這類「variability / instability 指標」在 digital biomarker 與 mobile EEG 正熱，失眠相關工作也開始關注睡眠變異性而非平均水準。[4][8][9]
   • 期刊接受度：高，Sleep / Sleep Medicine / Journal of Sleep Research 類期刊對「新穎但可解釋的 EEG 數位 biomarker」相對友善。[8][4]

2. 路線2：aperiodic vs periodic decomposition（1/f 指標）

   • 核心概念：把功率譜分解成 aperiodic 1/f 成分與 periodic oscillatory peaks，聚焦於 aperiodic exponent、offset 等與 cortical excitation/inhibition balance 及 hyperarousal 有關的指標，而不是只看 beta band power。[10][11][12][13]
   • 為何適合：你現有功率譜即可跑 FOOOF/APERIODIC 模型，不一定需要非常大樣本；文獻已在 insomnia 靜息 EEG 中發現 exponent 降低、與睡眠品質與抑制控制受損相關，提供清楚的理論錨點。[11][12][13]
   • 成 paper 機會：高，目前已有 Sleep Medicine 等刊物在發這種「insomnia 的非周期成分研究」，你可以把重點放在：在控制 BAI/BDI 之後，aperiodic 指標是否仍預測 3TP 或其變化。
   • 期刊接受度：高，因為方法不算黑箱、解釋也直接連到神經機制（E/I balance、hyperarousal），屬於 psychophysiology/睡眠醫學可接受的層級。[10][11]

3. 路線3：EEG 微狀態 / topographic dynamics

   • 核心概念：做 topographic microstate 分析，取 4–5 個 canonical microstate class，針對每個 class 的 mean duration、occurrence、coverage、轉換機率等指標，作為空間–時間結構化的 EEG feature，而不是 channel-wise band power。[6][7][14][15]
   • 為何適合：n≈55 在 microstate 文獻屬於中等樣本，有多篇 insomnia / depression+insomnia 的 microstate 研究樣本量與你類似，且這些指標通常是 10–20 個，可支撐簡單 GLM / logistic 模型。[7][14][16][6]
   • 成 paper 機會：中高，因為已有工作顯示 insomnia 患者在 class C、D 的 duration 與 frequency 上有穩定異常，甚至可預測 rTMS 反應；你可以把焦點放在「baseline microstate 異常預示 3TP trajectory」。[14][6][7]
   • 期刊接受度：中高，屬於 currently hot 的 psychophysiology 路線，但需要把方法寫得非常教科書式，避免給人「腦波 AI 黑箱」的印象。

4. 路線4：trait-like 個體簽名 vs 軌跡

   • 核心概念：承認高頻 EEG 主要反映的是個體「trait-like signature」，而不是 insomnia-specific pattern，轉而問：「哪些個體在這種 trait-like high-frequency 簽名上最極端，是否對應到特定失眠軌跡或 BAI/BDI 長期惡化？」[3][5]
   • 為何適合：你樣本雖小，但可以把重點放在「分布尾端」或「個體間差異」而非群體平均；這更貼近近期主張的 precision brain health / normative thinking，而不必真的做 full normative model。[17][5][3]
   • 成 paper 機會：中，賣點在概念轉換：從 case-control / incremental AUC → precision / individual signature；但需要小心、不誇大「normative」。
   • 期刊接受度：中，需要找比較偏 computational psychiatry / translational neuroscience 的睡眠相關期刊，或 general sleep journal 的「conceptual / perspective + small empirical data」型文章。[18][17][3]

5. 路線5：subtype / phenotype discovery（EEG × clinical）

   • 核心概念：用簡單的 clustering / latent profile（例如基於 2–3 個 EEG summary 指標 × 2–3 個臨床量表），發掘「高 hyperarousal EEG + 高焦慮」、「高 hyperarousal EEG + 低焦慮」等亞型，再比較 3TP 或其他隨時間變化的結局。
   • 為何適合：n≈55 做 2–3 cluster 是可行的，只要你限制特徵數，且核心問題被重構為「phenotype / subtype 的臨床意義」，而不是預測精度。[9][4]
   • 成 paper 機會：中，若能對應到現有 insomnia 亞型（例如 hyperarousal 型 vs misperception 型）或治療反應文獻，說服力會較強。
   • 期刊接受度：中，需強調這是 exploratory pilot，用大量討論與 replication 呼籲來補足樣本限制。

6. 路線6：EEG-based risk stratification / decision support

   • 核心概念：不是問「AUC 多高」，而是問「加上某 EEG 指標後，是否能把病人分成 clinically meaningful 的高風險 vs 低風險 3TP 軌跡群」，著重於 risk strata 間 OR、PPV、NPV 與 decision-curve 之類的臨床解讀。[4]
   • 為何適合：你可以把 predicted risk 分成 tertiles / quartiles，用簡單 cut-off 建立 decision rule，樣本小也能給一些 descriptive risk profile，且不需要追求非常精準的 continuous calibration。
   • 成 paper 機會：中，若期刊偏 clinical decision-making 或 digital biomarker，這種 framing 會比「AUC+0.03」更討喜。
   • 期刊接受度：中高，需要把 heavy ML 全部降階成 logistic + simple risk score 之類的東西。

7. 路線7：segment-level MIL / hierarchical modeling

   • 核心概念：不再以 subject-level 平均為單位，而是把每位受試者的一系列 segments 視為一個 bag，定義一些 bag-level functional，如「高 beta segments 的比例」「超過某門檻的 longest run 長度」，這本質上是 interpretable 的 multi-instance learning。
   • 為何適合：你已經有逐 segment 資料，且 bag-of-segments 方法在 small-n / large-T（每人很多 segment）設定下非常自然，不一定要上深度學習才能叫 MIL。[19][20]
   • 成 paper 機會：中，重點是把 MIL 寫成「hierarchical / repeated-measures framework」，強調方法學連結而非炫技。
   • 期刊接受度：中，只要你避開太 technical 的部分，給出 2–3 個很直觀的 bag-level指標即可。

8. 路線8：mechanistic hyperarousal biomarker paper（不再主打 AUC）

   • 核心概念：回到 hyperarousal 理論，問「在控制 BAI/BDI 等情緒因子後，EEG 的某些機制性指標（例如 high-frequency power、aperiodic exponent、microstate D coverage）是否仍然解釋 insomnia severity / 3TP？」；主指標不是 AUC，而是 effect size / ΔR² / OR 與理論對應。[21][1][2]
   • 為何適合：你既有臨床量表，也有相對乾淨的 resting / sleep EEG，可以直接複製現有 hyperarousal EEG 文獻的 analysis frame，再加上 longitudinal 3TP bonus。[1][2]
   • 成 paper 機會：高，只要你誠實呈現「增量不大，但 consistent 且機制上合理」，很符合小樣本 mechanistic pilot 的定位。
   • 期刊接受度：高，這種文獻 Sleep / JSR / Behavior Research and Therapy 類都願意收，只要沒有過度宣稱「預測模型」。

---

最值得優先嘗試的前三條

綜合你的條件與期刊生態，我會優先排序如下（括號內是性質）：

1. 最保守且最能發：路線8（mechanistic hyperarousal biomarker）
2. 最有新意：路線3（EEG 微狀態 / topographic dynamics）
3. 最平衡：路線1 + 路線2 的「不穩定性 × aperiodic」組合

理由：

• 路線8 最保守：完全搭在既有 hyperarousal + insomnia EEG 文獻上，只是加上你的 longitudinal 3TP outcome，審稿人已有清楚的參照框架。[2][21][1]
• 路線3 最新：microstate 作為 insomnia biomarker 以及預測 rTMS 反應已經有數篇 paper，但「預測 insomnia trajectory / 3TP」仍是明顯空缺，你可以把自己定位為 bridging gap。[6][7][14]
• 路線1+2 最平衡：一方面抓住當前 digital biomarker 熱門的「sleep instability / variability」與 ORP 類指標，另一方面借力快速升溫的 aperiodic / 1/f 研究潮，兩者皆方法不黑箱、特徵數少、非常適合 n≈55。[12][13][11][9][10][4]

下面我把這三條各自具體化成可直接實作的版本。

---

路線8：保守但穩妥的 mechanistic hyperarousal 版本

資料版本選擇

• EEG：

  • 用「新版逐 segment」資料計算 stage-specific 或 condition-specific（如 N2、NREM、resting eyes-closed）的高頻功率與 aperiodic 指標，避免舊拼接版的混雜效應。[2][10]
  • 頻段：保留 broad beta 15–30 Hz + gamma（若有），upper beta 可以保留作 exploratory / supplementary，明確標註是 data-driven refinement。

• 臨床：

  • BAI_T1、BDI_T1 作為核心 covariates；必要時加上年齡、性別、藥物使用等控制變項。
  • outcome：3TP（二元），必要時也可以用連續指標（如 insomnia severity change）作 sensitivity analysis。

特徵 / 表示定義

• periodic 指標：
  • stage-specific 相對 beta power（例如 N2、NREM），可用 log-transform。
• aperiodic 指標：
  • 用 FOOOF 等工具在 1–40 Hz 頻譜上擬合 exponent、offset，至少每個 subject 有 2–3 個簡單可解釋的 aperiodic features。[13][11][12][10]

模型設計（刻意簡單）

• 主要模型：

  • logistic regression：
    • Model 1：3TP ~ BAI_T1 + BDI_T1
    • Model 2：3TP ~ BAI_T1 + BDI_T1 + EEG feature（單一指標一次加入，避免多重共線 + overfitting）
  • 報告：OR、95% CI、ΔNagelkerke R²、likelihood ratio test p、以及（如果你願意）IDI / NRI 作為補充。

• 絕不強調「multi-feature ML」；任何 LASSO / elastic net 僅可作為 sensitivity，重點在「這些 EEG 指標在控制情緒症狀後仍有顯著或趨勢性的獨立效應」。

主結果與補充分析

• 主結果：
  • 在控制 BAI/BDI 後，某些 EEG 指標（例如 N2 aperiodic exponent 降低、NREM beta relative power 升高）與 3TP 高風險顯著相關（OR>1），即使 AUC 只提升 0.02–0.04。
• 補充分析：
  • 把 3TP 換成連續 insomnia severity change，跑 linear / ordinal regression，看效應是否一致。
  • 探討 EEG 指標與 baseline BAI/BDI、PSQI、睡眠結構指標（若有 PSG）的關聯，以強化 hyperarousal 與 E/I balance 的理論銜接。[13][21][1][2]

Paper 賣點

• 故事線：
  • 「在控制焦慮與憂鬱後，resting / sleep EEG 的高頻 power 與 aperiodic 指標仍能預示失眠軌跡，支持 hyperarousal 是情緒症狀以外的獨立機制。」
• 亮點：
  • 使用最新 aperiodic decomposition 連結到 inhibition / E/I imbalance 理論；
  • 把 3TP 納入，從主流 cross-sectional hyperarousal 文獻轉向 mechanism-informed trajectory 研究。
• 期刊目標：Sleep Medicine / Journal of Sleep Research / Behavioral Sleep Medicine 類。

---

路線3：新穎的 EEG microstate / topography 版本

資料版本選擇

• 需要多通道 EEG（至少 19-channel 10–20）；若你只有少數 channel，此路線風險會高一些。
• 使用乾淨的 resting eyes-closed 或固定睡眠 stage（例如 N2）做 microstate clustering，避免混和太多 state。

特徵 / 表示定義

• Microstate pipeline（簡化版）：

  • 對所有受試者合併後，用 k-means / atomize and agglomerate clustering 找出 4–5 個 canonical microstate map。[15][6]
  • 將這些 prototype back-fit 到每位受試者的 EEG，得到：
    • 每個 class 的 mean duration、occurrence、coverage（時間比例）；
    • transition probabilities（例如 A→D、C→D 等）。[7][14][6]

• 最終每個 subject 的特徵維度控制在 10–20 個以內（例如 4 個 class × 2–3 個指標），再進一步挑 3–5 個最有理論支持的（例如 class C duration、class D occurrence 等）進入主模型。

模型設計

• 與路線8類似，採用簡單 logistic / regression：

  • Step 1：看 microstate 指標與 baseline insomnia severity（或 BAI/BDI、PSQI）的 cross-sectional 關聯，驗證是否 replicate 既有發現（例如 insomnia 患者 class C duration 縮短、class D 更頻繁）。[14][6][7]
  • Step 2：在控制 BAI/BDI 後，看這些 microstate 指標是否預測 3TP。

• 避免在 n≈55 上做 high-dimensional ML classifier（例如用 microstate 全指標 + SVM 分 3TP），這會被質疑 sample too small + black box。

主結果與補充分析

• 主結果：
  • 部分 microstate dynamics（例如 class D coverage 降低、某些 transition 機率異常）在 baseline 與 insomnia symptom/architecture 關聯 replicates 文獻；且 baseline microstate pattern 能預示 3TP group。
• 補充分析：
  • 若你有任何介入或治療資料，可 exploratory 看 microstate 是否對 treatment response 有預測力，呼應 rTMS 文獻。[7]
  • 試著把 microstate 找到的 pattern 與 high-frequency power / aperiodic exponent 做相關，連成一個統一的 neurophysiology 故事。

Paper 賣點

• 故事線：
  • 「EEG microstate dynamics 提供了一個時空整體的大腦功能指標，不僅在 baseline 區分 insomnia 特徵，也預示了失眠症狀的三時點軌跡。」
• 亮點：
  • 直接銜接多篇近年的 microstate–insomnia / depression+insomnia / treatment prediction 工作，補上 longitudinal 這一塊。[16][22][6][14][7]
• 期刊目標：General Psychiatry（有發 microstate–insomnia）、Frontiers in Neuroscience [Sleep / Neurophysiology 專題]、Journal of Sleep Research。

---

路線1+2：平衡的「不穩定性 × aperiodic」版本

這一條其實是把「within-night temporal variability / burstiness」和「aperiodic 1/f 指標」合併成一組低維、理論清楚的 EEG 表徵。

資料版本選擇

• EEG：必須用新版逐 segment 資料，維持固定長度（例如 5s）與固定 stage / condition。
• 推薦選擇 1–2 個條件（例如：
  • 入睡前 5 分鐘 resting；
  • N2 第一周期）；
    以避免過多 heterogeneity。

特徵 / 表示定義

1. 不穩定性 / 變異性特徵（per subject）：

   • beta relative power across segments 的：
     • 標準差、IQR、coefficient of variation；
     • 上分位數（例如 90th percentile）、超過某閾值的 segment 比例；
     • 「高 beta 連續 run」的最長長度或平均長度（burstiness）。[8][9][4]

2. aperiodic 特徵：

   • 在每個 segment 做頻譜後，fit aperiodic exponent & offset，再取 subject-level 平均與變異度（例如 exponent mean & SD）。[11][12][10][13]

3. 最終 feature set：

   • 嚴格控制在 4–6 個變數內，例如：
     • beta CV、beta 90th percentile、high-beta run length；
     • exponent mean、exponent SD。

模型設計

• 主要框架仍是 logistic / regression + incremental value over BAI/BDI，但這次主角是「instability / aperiodic 指標」，而不是 mean beta。

• 可以設計 2–3 個 pre-registered 風格的比較：

  • Model A：只用 BAI_T1、BDI_T1；
  • Model B：A + aperiodic 指標；
  • Model C：A + instability 指標；
  • Model D：A + aperiodic + instability。

• 不強求 AUC 大升，而是看：

  • 哪些 EEG 指標在控制 BAI/BDI 後仍有顯著 OR；
  • 哪些模型在 decision-curve 或 risk-strata 上提供較清楚的臨床分層。

主結果與補充分析

• 主結果：
  • 發現「高 beta 不穩定性」或「更平坦 / 更小 exponent」與 3TP 不良軌跡相關，即使 mean beta 本身沒有顯著預測力，表示問題不在於「高不高」，而在於「多不多變、不穩定」。[12][9][11][13][4]
• 補充分析：
  • 檢查 instability 指標與主觀睡眠變異性、日間疲勞、白天嗜睡等量表之關聯，對應目前 mobile EEG 與 sleep variability 文獻。[9][4][8]
  • 探討 aperiodic exponent 與抑制控制量表或執行功能指標（若有）之關聯，呼應抑制神經元受損 / hyperarousal 的詮釋。[11][12][13]

Paper 賣點

• 故事線：
  • 「不是平均 beta，而是 beta 的不穩定性與 aperiodic 1/f 結構預示了失眠症狀軌跡。」
• 亮點：
  • 結合 digital biomarker（instability）、computational psychiatry（aperiodic）兩個目前最熱但仍可解釋的框架；
  • 樣本雖小，但特徵數極低、理論清楚，對小樣本先導研究而言是非常合理的設計。

---

如果是我，我會叫你…

立刻停止的事情

• 停止一切「只在 mean beta power 上做各種 ML/regularization，希望 AUC 奇蹟式上升」的嘗試。
  在 n≈55、BAI/BDI 很強的條件下，再多 fine-tuning 只是增加 analytic flexibility，對投稿說服力幾乎沒有幫助。[5][3]

• 停止「用資料驅動頻段（upper beta）當主效應，卻又試圖把它包裝成 confirmatory」的寫法；upper beta 可以保留，但應明講是 exploratory / hypothesis-generating。

建議你立刻開始的事情

1. 先用「新版逐 segment」資料計算一組 不穩定性指標 + aperiodic 指標，按我上面路線1+2 的方式，跑最基本的 logistic / regression + incremental over BAI/BDI。
2. 平行規劃一個 純 mechanistic hyperarousal paper（路線8） 的草稿大綱，把目前已經有的 beta 結果與未來要算的 aperiodic 指標都納入。
3. 若你有足夠通道數，開始 prototype 一個簡化版 microstate pipeline（路線3），先只做 cross-sectional replication（和 insomnia severity / PSQI 的關聯），再看有沒有空間加上 3TP。

哪條路不是在「苦撐 AUC」？

• 真正跳出「苦撐 AUC」的，是：
  • 路線8：把主軸改成「mechanistic incremental value」，只把 AUC 當成 secondary check；
  • 路線1+2：關注不穩定性與 aperiodic 結構，主要看 OR / ΔR² 與理論符合度；
  • 路線3：做的是「腦動力學 pattern 與臨床軌跡」，根本不需要把 AUC 當 hero figure。

---

最直接的一句話判斷

你現在 最該徹底拋棄的舊框架，是：「用 subject-level mean beta power 去拼命追求在 BAI/BDI baseline 上多出一點點 AUC」；把焦點移到「EEG 動力學（不穩定性、aperiodic、microstate）作為失眠軌跡的機制性 biomarker」，才有機會在 n≈55 下寫出一篇真正有存在感、而不是只是在苦撐 ROC 的 paper。[1][3][2][4][11]

來源 [1] Eeg Analysis https://pmc.ncbi.nlm.nih.gov/articles/PMC10811396/ [2] Frontiers | Elevated beta activity in the nighttime sleep and multiple sleep latency electroencephalograms of chronic insomnia patients https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2022.1045934/full [3] Trait-like individual signatures dominate sleep EEG over insomnia-specific features https://www.nature.com/articles/s41598-025-34509-y [4] Characteristics and reproducibility of novel sleep EEG biomarkers and their variation with sleep apnea and insomnia in a large community-based cohort https://academic.oup.com/sleep/article/44/10/zsab145/6307746?login=false [5] Trait-like individual signatures dominate sleep EEG over … https://pmc.ncbi.nlm.nih.gov/articles/PMC12864933/ [6] EEG Microstates Indicate Heightened Somatic Awareness in … https://pmc.ncbi.nlm.nih.gov/articles/PMC6135918/ [7] Electroencephalography microstates as novel functional biomarkers for insomnia disorder https://gpsych.bmj.com/content/36/6/e101171 [8] [PDF] The Emerging Role of EEG-Derived Biomarkers in Clinical and https://www.scivisionpub.com/uploads/articles/bridging-the-gap-between-laboratory-and-realworld-sleep-assessment-the-emerging-role-of-eegderived-biomarkers-in-clinical-and-tran-4285.pdf [9] Correlates of sleep variability in a mobile EEG-based … https://d-nb.info/1353738078/34 [10] Temporally resolved analyses of aperiodic features track neural dynamics during sleep https://www.nature.com/articles/s44271-025-00334-2 [11] 心理学部团队在《Sleep Medicine》连续发文揭示失眠的非周期 … https://psy.swu.edu.cn/info/1088/4431.htm [12] Aperiodic and periodic components of resting-state EEG in … https://www.sciencedirect.com/science/article/abs/pii/S1389945725000528 [13] Aperiodic and periodic components of resting-state EEG in … https://pubmed.ncbi.nlm.nih.gov/39983468/ [14] Resting-state EEG microstate analysis reveals potential … https://www.tandfonline.com/doi/full/10.1080/27706710.2024.2388106 [15] All-night spectral and microstate EEG analysis in patients … https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2024.1321001/full [16] Resting-State EEG Reveals Abnormal Microstate … https://pubmed.ncbi.nlm.nih.gov/36892651/ [17] Normative models for neuroimaging markers: Impact of model … - PMC https://pmc.ncbi.nlm.nih.gov/articles/PMC11636675/ [18] Normative Modeling of Neuroimaging Data using Scalable … https://arxiv.org/abs/1806.01047 [19] Is Limited Participant Diversity Impeding EEG-based … https://arxiv.org/html/2503.13497v1 [20] Multi-Task Learning for Segmentation of Clinical EEG … https://pub.tik.ee.ethz.ch/students/2024-HS/MA-2024-33.pdf [21] Hyperarousal features in the sleep architecture of individuals with and without insomnia https://pmc.ncbi.nlm.nih.gov/articles/PMC11744246/ [22] Linear and nonlinear features of EEG microstate … https://www.sciencedirect.com/science/article/pii/S138994572500320X?dgcid=rss_sd_all [23] 腦電波時頻分析：它是什麼及其重要性 - EMOTIV https://www.emotiv.com/zh-hant/blogs/news/eeg-time-frequency-analysis [24] 量測在清醒狀態下的腦波值評估睡眠品質 https://web.coinfo.cyut.edu.tw/2014AIT/papers/ft_067.docx [25] Can Deviation Scores Be… https://arxiv.org/html/2509.07237v1 [26] 基於源感知(EEG)的體療環境和介質溫控 https://www.cs.thu.edu.tw/upload/news_upload/40_%E5%9F%BA%E6%96%BC%E6%BA%90%E6%84%9F%E7%9F%A5(EEG)%E7%9A%84%E9%AB%94%E7%99%82%E7%92%B0%E5%A2%83%E5%92%8C%E4%BB%8B%E8%B3%AA%E6%BA%AB%E6%8E%A7_%E7%AF%84%E4%BE%8B(1).pdf [27] GPT-based normative models of brain sMRI correlate with dimensional psychopathology https://direct.mit.edu/imag/article/doi/10.1162/imag_a_00204/121678/GPT-based-normative-models-of-brain-sMRI-correlate [28] SLA-MLP: Enhancing Sleep Stage Analysis from EEG Signals … https://pmc.ncbi.nlm.nih.gov/articles/PMC11640328/ [29] MIASS: A multi-interactive attention model for sleep staging … https://www.sciencedirect.com/science/article/abs/pii/S0045790624007791 [30] Feature Extraction and Random Forest-XGBoost Model https://ieeexplore.ieee.org/iel8/6287639/10820123/11129107.pdf