MADD：采用多模态、多任务、多事件框架的生理信号自动抑郁检测新基准

基于摘要分析。该研究面向生理信号自动抑郁检测，提出结合 EEG、EMG、多种活动事件及问卷评估的多模态、多任务、多事件基准，旨在缓解单事件分析对抑郁表现覆盖不足、EMG 利用不足及个体差异带来的建模问题。标题使用 MADD，摘要将所提基准称为 M3ADD，两者命名关系尚未验证。 数据方面，作者报告采集了 97 名参与者在访谈、阅读任务和行走等事件中的 EEG 与 EMG，并配套收集评估抑郁、幸福感和人格的标准化问卷。摘要未说明参与者的临床诊断构成、具体问卷名称、各事件采集条件及标签定义，因此不能将该基准直接视为临床诊断验证。 方法方面，基准识别算法结合多任务学习、通道注意力与交互注意力，融合事件特异性和模态特异性特征。作者将这一设计用于提高对个体差异的适应性和数据利用效率；具体网络结构、损失函数、各任务如何共享信息，以及人格信息在训练和推理中的作用尚未验证。 结果方面，作者报告在该基准上抑郁检测 Accuracy 为 87%，幸福感评估 Accuracy 为 95%，并称优于现有模型。但摘要未提供被试内或跨被试评估背景、训练与测试划分、类别分布及具体对照基线，两个任务的数值也不能直接比较，尚不足以判断跨被试泛化或临床筛查效用。 复现时需核对数据开放条件、EEG 与 EMG 的同步及预处理流程、多事件样本的组织方式、按参与者划分的评估协议，以及各模态、事件和任务的贡献。实验协议、消融及统计信息尚未验证。该工作的主要对象是自动抑郁检测，而非 BCI 控制任务；不能据此推断其已改善 BCI 解码性能。