多模态抑郁症检测：利用新型分类器集成策略融合 EEG 与副语言行为

基于摘要分析。该研究针对个体间抑郁症状差异带来的检测困难，从生理与行为两个角度结合 EEG 和语音信号，提出基于分类器决策集成的多模态抑郁症检测方法。主要贡献是通过 co-decision tensor 表征不同分类器决策的多样性与相关性，再使用 multi-agent strategy 形成最终分类结果。 技术机制：作者先为 EEG 和语音两种模态提取特征，再在每个模态上分别训练六个代表性分类器，随后在决策层进行后期融合。摘要未说明具体特征、分类器种类、张量构造方式，以及 multi-agent strategy 的优化或决策规则，这些实现细节尚未验证。 结果与对照：实验涉及 170 名被试，包括 81 名抑郁症患者和 89 名正常对照。作者报告，所提多模态策略在 Accuracy、F1 和敏感度上优于单模态分类器及其他典型后期融合策略，但摘要未提供指标数值，也未明确被试内或跨被试评估、数据划分与具体对照方法，因此尚不能判断提升幅度或跨被试泛化能力。 证据边界与复现条件：研究对象是抑郁症检测，而非 BCI 控制任务；摘要中的结果不构成临床诊断有效性的充分验证。复现需进一步核对 EEG 与语音采集及预处理、特征提取、分类器训练、模态配对方式和融合实现。实验协议、消融及统计信息尚未验证，尤其需要核对融合收益是否来自两种模态的互补信息，以及决策多样性与相关性建模各自的贡献。