用于精神疾病 EEG 数据分类的 motif 发现框架

基于摘要分析。该研究将抑郁症患者的治疗响应预测建模为分类问题，利用治疗第 7 天的 EEG 动态特性，通过 motif discovery 提取区分治疗响应者与非响应者的特征。其主要研究对象是精神疾病相关 EEG 分类与治疗响应预测，而非 BCI 控制任务。 核心机制是从 EEG 中发现 motif，即具有重复性或代表性的局部时序模式，并将其用于分类。摘要未说明 motif 的具体定义、搜索算法、相似性度量、特征构建方式及后续分类器，这些实现细节尚未验证。作者声称，据其所知，这是首次将 motifs 用于抑郁症诊断的研究；该优先性声明尚未独立核实。 除抑郁症治疗响应预测外，作者还将框架应用于涉及精神分裂症症状患者、难治性癫痫发作儿童患者，以及 Alzheimer disease 和痴呆的 EEG 数据分类任务。作者报告所有数据集均取得较高分类 precision，但摘要未提供具体数值、指标计算方式、数据集名称、患者数量或划分协议，因此不能将其改写为 Accuracy，也无法判断跨患者或跨数据集泛化能力。 研究动机是缩短通常需等待四至六周才能评估抗抑郁药响应的时间。作者认为治疗第 7 天的 EEG 动态特性可能支持更早的响应预测及诊断决策；这仍是研究结论，不构成临床实践建议。复现时需取得 motif 提取与分类实现，并核对响应标签定义、EEG 预处理、患者级训练与测试划分、对照基线，以及多数据集实验是否分别训练和评估。实验协议、消融及统计信息尚未验证。