基于内容的 EEG 与眼动多证据融合用于轻度抑郁识别

基于摘要分析。本研究针对轻度抑郁识别，提出 content-based multiple evidence fusion（CBMEF）方法，在决策层融合 EEG 与眼动数据。核心贡献是结合分类性能矩阵校正和双权重融合，以改善多模态分类结果；研究对象是抑郁识别，而非 BCI 控制任务。 方法包含分类性能矩阵模块和双权重融合模块。摘要描述，各模态的分类性能矩阵依据混淆矩阵与 Mahalanobis distance，通过 Bayesian rule 估计，并用于校正分类结果；随后计算各模态的相对冲突程度，据此在决策融合层分配不同权重。摘要未给出双权重的具体定义、计算公式、基础分类器及 EEG 和眼动特征，不能据此确定完整实现。 作者报告，在摘要所述轻度抑郁识别实验中，该方法优于其他融合方法及单模态结果，最高 Accuracy 为 91.12%，Sensitivity、Specificity 和 Precision 分别为 89.20%、93.03% 和 92.76%。数据集、被试数量、类别构成、被试内或跨被试协议、数据划分与具体对照基线尚未验证，因此这些数值不能直接用于判断跨被试泛化能力或临床诊断效用。 复现时需核对性能矩阵与模态权重的估计数据来源、训练与测试阶段的计算流程，以及各模块的独立贡献；实验协议、消融及统计信息尚未验证。该工作提供了 EEG 与眼动决策融合的具体机制，但摘要证据尚不足以支持其在实际临床筛查或其他 BCI 任务中的有效性。