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 辅助抑郁症识别系统在实际场景中的可穿戴性与可及性问题，提出面向自研可穿戴三导联 EEG 传感器的可板载执行多特征迁移增强融合模型。主要贡献是将抑郁症与健康对照分类及传感器端计算、存储和功耗评估结合起来；研究对象是辅助抑郁症诊断，而非 BCI 控制任务。 方法方面，摘要明确提出多特征、迁移增强与融合的总体思路，但未说明特征类型、迁移源与目标、融合机制、网络结构、损失函数或训练流程，因此尚不能判断各模块如何改善低通道 EEG 的识别能力。 数据来自 73 名抑郁症患者和 108 名健康对照。作者报告，在独立测试条件下，分类 Accuracy 为 95.2%，specificity 为 94.0%，sensitivity 为 96.9%。摘要未明确独立测试是否按被试隔离，也未提供训练与测试样本构成、记录分段方式或置信区间；这些结果不能直接解释为已验证的跨被试、跨会话或跨设备泛化性能。 部署方面，作者报告模型具有 65.0 K 参数、25.6 M FLOPs；部署于 EEG 传感器时，单次执行耗时 1.5 s，功耗为 320.8 mW，RAM 和 ROM 占用分别为 202.0 KB 与 279.6 KB。作者据此认为该模型具有可穿戴辅助诊断潜力。具体处理器、输入窗口长度、采样率、计时与功耗测量条件尚未验证，因此不能仅凭单次执行耗时确认端到端实时能力。 复现时应优先核对导联位置、采集与预处理协议、独立测试划分、迁移数据来源、对照基线及硬件部署设置。实验协议、消融及统计信息尚未验证，代码与模型获取条件亦尚未验证。现有摘要支持进一步评估其低通道端侧部署可行性，但不足以确认临床泛化能力或替代临床诊断。