ACM-GNN：用于 EEG 抑郁检测的自适应聚类导向模块化图神经网络

基于摘要分析。研究针对 EEG 抑郁检测中固定预定义脑区难以适配个体差异的问题，提出自适应聚类导向模块化图神经网络 ACM-GNN，通过动态通道聚类与全局—模块层级的信息交互，学习适配不同个体实例的脑网络表示。其主要研究对象是重性抑郁障碍（MDD）的 EEG 检测，而非 BCI 控制任务。 核心机制包含两个模块：cluster-oriented modularity construction（CMC）基于通道对对比学习，将 EEG 通道动态聚类为不同脑区，以自适应构建脑网络模块；modularity graph interaction learning（MGIL）在 EEG 全局与模块层级之间进行多层图信息交互，并进一步聚合不同层级的表示。相较于按预定义脑区刻画拓扑关系，方法的主要区别在于由数据驱动模块划分，并联合利用局部模块与全局结构。摘要未给出对比学习的样本构造、损失形式、聚类规则、图边定义及个体适应的训练与推理流程，这些细节尚未验证。 作者报告，在两个公开数据集 MODMA 和 PRED+CT 上，ACM-GNN 优于其比较的现有 EEG 抑郁检测方法；摘要未提供具体指标、数值、被试数量、数据划分或对照方法，因此不能据此确认优势对应被试内还是跨被试评估，也不能将两个数据集上的实验理解为跨数据集泛化验证。作者还报告，脑活动分析提示动态模块关系对抑郁检测具有重要性，但相关分析方法与统计证据尚未验证。 复现时应重点核对通道聚类是否随个体或时间片段变化、测试阶段如何构建模块，以及固定脑区划分、动态聚类和层级交互各自的贡献。实验协议、消融及统计信息尚未验证；代码可用性、预处理流程和复现条件亦需全文确认。摘要提出了个体适应的机制动机，但尚不足以判断模型是否稳定改善未见被试的检测表现。