缺失 EEG 通道条件下的不完整抑郁特征选择

基于摘要分析。该研究针对 EEG 抑郁分析中特征冗余、无关信息、噪声及通道缺失问题，提出 Incomplete Depression Feature Selection with Missing EEG Channels（IDFS-MEC），旨在降低不完整通道对特征选择和模型构建的影响。研究对象是基于 EEG 的抑郁分析，摘要并未提供其作为 BCI 系统或临床诊断工具的有效性证据。 方法上，IDFS-MEC 将缺失通道指示信息与自适应通道权重学习纳入正交回归，并通过全局冗余最小化学习，减少所选特征子集中的冗余信息。其核心思路是同时处理通道可用性差异与特征间冗余，而非仅在完整特征集合上进行筛选。具体目标函数、权重约束、优化过程，以及缺失通道与强噪声的处理方式尚未验证。 作者报告，在 MODMA 和 PRED-d003 数据集的 3、64 和 128 通道设置下，IDFS-MEC 选出的 EEG 特征子集优于 10 种常用特征选择方法。摘要未给出具体指标、数值、对照方法名称，亦未说明各数据集对应的通道设置、缺失比例和缺失模式，因此不能量化其优势或跨设置直接比较。 复现时需核对被试内或跨被试划分、特征提取与选择是否限定在训练数据内、下游分类器配置，以及模拟通道缺失是否对应实际电极脱落情形；这些均是待核对事项，不代表已发现协议问题。实验协议、消融及统计信息尚未验证，尤其需要区分缺失通道指示、自适应加权与冗余控制各自的贡献，并确认结果能否覆盖真实采集中的通道缺失和噪声干扰。