Newest papers

CNN-based classifier for subject-independent MBTI Extraversion/Introversion preference classification from short-time EEG signals

Filip Postepski, Grzegorz M. Wojcik · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28442 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Это исследование исследует, содержат ли короткие, минимально предварительно обработанные сегменты ЭЭГ достаточно информации, чтобы отличить между индивидами, классифицированными как экстраверты или интроверты согласно Индикатору типа Майерса-Бриггса (MBTI). Записи ЭЭГ от 50 участников были разделены на 4 сегмента и проанализированы с использованием субъект-независимого встраиваемого 5-кратного метода перекрестной валидации для сравнения EEGNet, EEGProgress и недавно предложенной компактной конвульсионной архитектуры SSCNet. SSCNet достигла наивысшей средней точности (0.6481), AUC (0.7063), и F1-показатель (0.6276). Предложенная архитектура также показала наименьшую вариабельность

Machine translation (Meta M2M100); the English original follows.

Abstract

This study examines whether short, minimally preprocessed EEG segments contain sufficient information to distinguish between individuals classified as extraverted or introverted according to the Myers--Briggs Type Indicator (MBTI). EEG recordings from 50 participants were divided into 4-s segments and analyzed using a subject-independent nested 5-fold cross-validation procedure to compare EEGNet, EEGProgress, and a newly proposed compact convolutional architecture, SSCNet. SSCNet achieved the highest mean accuracy (0.6481), AUC (0.7063), and F1-score (0.6276). The proposed architecture also showed the lowest variability across folds. SSCNet demonstrated the best computational efficiency, with the shortest median training epoch time and the highest training throughput despite having a similar number of trainable parameters to EEGProgress. The results suggest that MBTI Extraversion--Introversion preferences may be moderately predictable from short time-domain EEG segments without manual spectral feature extraction, while highlighting the importance of subject-independent validation and computationally efficient model design.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Electroencephalography, Artificial intelligence, Computer science, Pattern recognition (psychology), Classifier (UML), Speech recognition

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange