腦波特徵方法論比較：PAC vs. Alpha 不對稱性
1. 核心數據對決：誰的鑑別力最強？
根據最新運算結果，比較舊有的 Alpha 不對稱性 (FAA) 與新引入的 相位振幅耦合 (PAC) 特徵：
| 比較項目 | 1. Alpha 不對稱 (舊) | 2. PAC 方法 (新) | 3. 意外發現 (新) |
|---|---|---|---|
| 特徵名稱 | EEG_ALPHA_F4F3_FAA_REL | PAC_delta_beta_MI_C3 | EEG_BETA2_F4F3_FAA |
| 最佳模型 | NaiveBayes | LogisticRegression | KNN |
| AUC (鑑別力) | 0.918 | 0.924 | 0.935 |
| Accuracy (準確率) | 0.896 | 0.833 ~ 0.917 | 0.917 |
| 特徵類型 | 傳統情緒指標 | 跨頻神經通訊 | 高頻焦慮指標 |
| F1_pos (抓病患能力) | 0.800 | 0.733 | 0.833 |
| 誤判人數 | 5人 | 8人 | 4人 |
📊 關鍵解讀：
- PAC 略勝一籌：
PAC_delta_beta_MI_C3的 AUC (0.924) 高於傳統 Alpha 指標。這顯示描述「慢波如何指揮快波」的動態機制，比單純看能量差異更有資訊量。 - 最強黑馬：
EEG_BETA2_F4F3_FAA衝到了 0.935。這暗示對於此資料集，高頻焦慮波 (Beta2) 的左右失衡比傳統的 Alpha 波更能反映病理特徵。
2. 生理意義深度分析
| 特徵 | 生理意義 | 數據反饋 |
|---|---|---|
| Alpha FAA | 情緒效價 (Valence) 左腦活化=趨近/正向；右腦活化=迴避/負向。 | 經典有效，但增益有限 (約 +0.03)，容易遇到天花板。 |
| PAC (Delta-Beta) | 神經調控效率 深層慢波 (Delta) 能否有效協調皮質快波 (Beta)。 | C3 (左側中央區) 調控失效是核心。 這顯示大腦「無法冷靜」，慢波指揮不動快波。 |
| Beta2 FAA | 警覺/焦慮不對稱 與高度警覺、反芻思考 (Rumination) 直接相關。 | 表現最穩。患者在「焦慮波」上的左右失衡最為嚴重，反映了「過度警覺」的病理特徵。 |
3. 穩定度與錯誤分析 (Confusion Matrix)
我們觀察模型犯錯的模式 (以 CV 誤判總數 FP + FN 為例)：
- Alpha FAA (NaiveBayes):
- 誤判總數：5 人
- 漏抓病患 (FN)：
S112169,S112008,S112183,S112036
- PAC (LogisticRegression):
- 誤判總數：8 人 (雖然 AUC 高，但誤判人數略多，可能是因為模型對機率分佈較極端)。
- Beta2 FAA (KNN):
- 誤判總數：4 人 (全場最少)。
- 亮點：False Positive (FP) 為 0。這表示模型完全沒有將健康人誤判為病患，精準度極高 👉 提供了「預測健康個案」的方向性（仍無法識別出失眠個案）
- PAC 提供了「深度」：PAC 方法不僅數據好，更解釋了「大腦通訊協議」的崩潰。
- Beta2 提供了「準度」：如果目標是最高的分類表現，Beta2 不對稱性是不容忽視的特徵 👉 文獻找不到
- 目前文獻提供方向：
- 失眠Beta會升高
- REM期間額頂葉不對稱性增加
- 增加的 beta/delta 相關性和更高的額葉 alpha 不對稱性
- 目前文獻提供方向：