用于精神疾病 EEG 数据分类的 motif 发现框架

基于摘要分析。研究以抑郁症治疗反应预测为主要问题，利用治疗第 7 天的 EEG 动态特性，通过 motif discovery 提取区分治疗有反应者与无反应者的特征，并将同一框架应用于其他疾病相关 EEG 分类任务。其贡献在于探索重复出现的时序模式能否作为诊断及早期治疗反应预测的分类依据，而非直接研究 BCI 控制或交互任务。 技术机制：框架从 EEG 中发现 motif，并将其用于有意义的分类特征提取。摘要没有说明 motif 的定义、搜索与匹配算法、时间尺度、通道处理方式、特征汇总方法或分类器，因此尚不能判断其如何保留跨通道关系、处理噪声，以及与常规 EEG 特征的差异。 任务与结果：除抑郁症治疗反应预测外，作者还报告将框架用于涉及精神分裂症症状患者、难治性癫痫发作儿童患者，以及 Alzheimer disease 和痴呆的 EEG 数据集分类。作者报告各数据集均取得较高的分类精确率（precision），但摘要未提供具体数值、类别定义、样本规模、数据划分或对照基线，不能将其替换为 Accuracy，也不能据此认定跨被试或跨数据集泛化有效。作者称，据其所知，这是首次将 motifs 用于抑郁症诊断的研究，该优先性尚未独立核实。 证据边界与复现：治疗第 7 天是 EEG 的采集时间背景，不等于临床效用已获验证。需核对治疗反应标签及判定时间、训练与测试是否按患者分离、预处理和 motif 参数是否仅由训练数据确定，以及类别不平衡、基线比较与统计不确定性。实验协议、消融及统计信息尚未验证；代码与数据可获得性也尚未验证。现有摘要支持将其视为 EEG 临床分类方法研究，不支持直接推断其在 BCI 任务中的效果。