多模态抑郁症检测：使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。研究针对抑郁症症状存在个体差异、单一信号难以全面表征的问题，联合 EEG 与语音信号，从生理和行为两个角度进行抑郁症检测。核心贡献是以 co-decision tensor 表征不同分类器决策的多样性与相关性，再通过 multi-agent strategy 完成决策级晚期融合。 方法上，作者先从两种模态提取特征，并在每种模态上分别训练六个分类器，再整合其输出形成最终分类结果。该方法的关注点是分类器决策之间的关系，而非摘要所述的原始信号或特征级融合。具体特征、分类器类型、张量构造、智能体交互及融合规则尚未验证。 作者报告，在包含 170 名被试、其中 81 名抑郁症患者和 89 名正常对照的实验中，所提多模态策略在 Accuracy、F1 和 sensitivity 上优于单模态分类器及其他典型晚期融合策略。摘要未提供具体指标数值，也未说明被试内或跨被试评估、训练测试划分与基线配置，因此不能判断优势幅度及其对未见被试的泛化能力。 本研究的主要对象是基于 EEG 与语音的抑郁症检测，不应直接视为 BCI 控制或交互性能的证据。复现需核对信号采集与预处理、两种模态的配对方式、特征选择流程、分类器训练及融合参数，并确认各步骤在数据划分中的实施方式。实验协议、消融及统计信息尚未验证；其临床适用性也不能仅由摘要中的分类优势确定。