BrainFlow：通过生成式 EEG 速度场上的轨迹偏离检测抑郁

基于摘要分析。BrainFlow 研究 EEG 抑郁检测中疾病相关模式与个体、队列差异相互混杂的问题，以从异质数据集学习的健康 EEG 速度场建立可迁移的规范性参考，再通过相对于健康轨迹的偏离表征进行监督式抑郁检测。 核心机制不是直接学习健康与抑郁个体之间的判别边界，而是先建模健康 EEG 动态。作者指出，即使健康被试也可能因个体差异、分布偏移及生成建模误差而产生较大的残差，因此不能简单将相对健康模型的绝对失配视为疾病信号。为此，Trajectory Deviation 将未见被试与局部匹配的健康轨迹比较，并利用对应健康参考校正其输运残差；随后将偏离校准为 Flow-Energy 表征，用于监督式检测。作者将该表征描述为具有生理可解释性，但具体生理对应及验证依据尚未验证。 作者报告，实验在被试独立评估设置下支持 BrainFlow 的有效性。摘要未提供数据集名称、被试数量、具体划分、对照基线或指标数值，因此尚不能量化其相对判别式方法的收益，也不能确认其跨数据集泛化效果；学习时使用异质数据集并不等同于完成独立的跨数据集验证。 复现时需核对健康速度场的建模与训练目标、局部轨迹匹配规则、输运残差校正及 Flow-Energy 校准的具体定义，以及健康参考在训练和测试中的构建方式。实验协议、消融及统计信息尚未验证，尤其需检查各模块对个体差异与分布偏移的实际贡献。本文主要研究 EEG 辅助抑郁检测，摘要不支持将其效果进一步解释为在线 BCI 性能或临床诊断有效性。