脑机百科消息(bciwiki.com)，印度尼西亚Budi Luhur大学的研究者利用UCI机器学习库的EEG-Eye-State数据集，通过四分位距（IQR）裁剪处理异常值，结合随机森林分类模型，实现了睁眼与闭眼状态的高精度检测，模型准确率达92.49%。该研究发表于2026年7月27日的《Sinkron》期刊。
研究团队对14980个样本、14个EEG传感器特征进行了IQR裁剪（边界为[Q1−1.5×IQR, Q3+1.5×IQR]），处理了12737个异常实例而未丢弃任何样本，随后采用StandardScaler归一化和80:20分层训练-测试划分。随机森林模型使用100棵决策树和平衡类别权重，通过分层10折交叉验证评估，结果显示模型在多项指标上表现优异：平衡准确率92.14%，ROC-AUC 0.9791，PR-AUC 0.9759，宏F1分数0.9236，马修斯相关系数0.8486，Cohen's Kappa 0.8474。交叉验证进一步确认了模型稳定性，平均准确率达92.86%±0.36%，ROC-AUC为0.9809±0.0020。
特征重要性分析显示，枕区O1（11.81%）、顶区P7（10.59%）和额区F7（10.15%）电极贡献最大，与视觉处理相关的神经解剖学区域一致。研究者认为，IQR裁剪与随机森林的结合为基于脑电的眼动分类提供了稳定、准确且神经解剖学上可解释的模型，为真实世界的脑机接口和驾驶员疲劳检测系统奠定了基础。