用于轻度抑郁识别的注意力融合与异常脑拓扑神经网络

基于摘要分析。研究针对轻度抑郁（MD）与正常对照（NC）的 EEG 分类问题，利用情绪面孔范式下的功能连接分析提取异常脑拓扑线索，并提出 cross-brain feature 与 multi-cross-brain attention fusion 机制，将脑区间信息整合用于辅助识别。 作者报告，MD 组的半球间连接占比高于半球内连接；两组的半球内连接主要出现在额叶与顶叶。作者将层次聚类结果解释为 MD 组相较 NC 组存在额叶与顶叶损伤线索，但摘要未提供相应统计检验与效应量，不能据此直接认定结构性脑损伤。方法的具体价值在于尝试把功能连接矩阵所呈现的异常拓扑用于特征构造和注意力融合，而非仅将 EEG 输入通用分类网络；连接估计方式、cross-brain feature 定义、融合计算及训练目标尚未验证。 在 5 折交叉验证下，作者报告该分类模型相较三种被称为当前先进方法的算法取得最高表现：Accuracy 为 80.1%，ROC 曲线下面积（AUC）为 80%，敏感度（SEN）为 86.3%。摘要未说明交叉验证属于被试内还是跨被试，也未提供样本量、类别比例、基线名称或指标不确定性，因此这些数字仅能按所述 5 折协议解读，不能直接外推至独立人群或临床筛查。 复现时需核对 EEG 预处理、通道与脑区映射、功能连接和聚类的计算流程，以及拓扑特征构建是否在各训练折内独立完成；还需确认数据划分单位、注意力机制实现及各组件的消融结果。实验协议、消融及统计信息尚未验证。研究主要涉及 EEG 辅助抑郁识别，不等同于已验证的 BCI 控制方法，其早期检测价值仍需独立验证。