用于三导联 EEG 传感器辅助抑郁症诊断的可板载执行多特征迁移增强融合模型

基于摘要分析。该研究针对 EEG 抑郁症辅助识别系统在实际场景中的可穿戴性与可及性问题，提出可在自研可穿戴三导联 EEG 传感器上执行的多特征迁移增强融合模型，主要贡献是将分类性能与设备端计算、存储和功耗约束共同纳入评估。 方法与数据：研究使用来自 73 名抑郁症患者和 108 名健康对照的 EEG 数据。摘要将方法描述为多特征、迁移增强与融合，但未展开具体特征、迁移来源、融合机制、网络结构或训练目标，这些技术细节尚未验证。三导联配置提供了明确的低通道数应用场景，但导联位置、采样与预处理流程也需查阅全文确认。 结果：作者报告，在独立测试条件下，分类 Accuracy 为 95.2%，特异度为 94.0%，敏感度为 96.9%。摘要未说明独立测试集的规模、划分单位及其是否属于 Cross-subject 或 Cross-session 协议，因此不能将这些结果直接解释为跨被试、跨会话或跨设备泛化性能。 板载部署：作者报告模型参数量为 65.0 K，FLOPs 为 25.6 M；部署于该 EEG 传感器时，每次执行耗时 1.5 s，功耗为 320.8 mW，RAM 占用为 202.0 KB，ROM 占用为 279.6 KB。这些结果为设备端运行可行性提供了具体依据，但硬件配置、输入窗口长度、计时及功耗测量条件尚未验证，不能据此推断其他设备上的运行表现或续航。 证据边界：独立测试分类结果不等同于临床诊断效用。进一步阅读应核对数据划分、对照基线、消融、统计不确定性，以及药物、人口学因素与采集条件等潜在混杂因素的处理；上述实验协议、消融及统计信息尚未验证。摘要支持的是三导联 EEG 抑郁症辅助识别与板载部署的研究潜力，而非已确立的临床替代诊断能力。