基于音频刺激诱发 EEG 特征选择的可解释抑郁分类

基于摘要分析。该研究针对 EEG 抑郁识别中重分类准确率、轻特征与模型关联及特征贡献解释的问题，将 Ant-Lion Optimization（ALO）与 Multi-Agent Reinforcement Learning（MARL）结合用于特征选择与融合分析，并通过 Explainable Artificial Intelligence（XAI）解释分类特征。其主要研究对象是听觉刺激诱发 EEG 的抑郁分类，而非 BCI 控制任务。 方法上，作者结合 ALO-MARL 与 XGBoost 分类器的超参数优化，并使用 Time-Delay Embedded Hidden Markov Model（TDE-HMM）推断音频刺激下的内部脑状态、分析动态状态转移。摘要未说明 ALO 与 MARL 的具体协作机制、强化学习奖励设计、特征融合方式及所用 XAI 方法，分类流程与脑状态分析之间的具体关系也尚未验证。 作者报告，在一个听觉刺激诱发的三通道 EEG 数据集上，该方法取得 Accuracy 93.69%、Sensitivity 88.60%、Specificity 97.08% 和 F1-score 91.82%。摘要未提供被试数量、数据划分，以及被试内、跨被试或跨会话评估背景，因此这些数字不能直接用于判断跨被试泛化或与其他协议下的结果比较。作者报告，该方法在此数据集上优于所比较的先进特征选择方法，但具体基线、调参范围及统计证据尚未验证。 作者报告，XAI 分析揭示了 Power Spectral Density（PSD）的最小值、Sample Entropy（SampEn）及 Rényi Entropy（Ren）对抑郁识别的重要影响。这类模型特征贡献不等同于抑郁的因果机制或已验证的临床标志物；状态转移分析也需结合完整实验协议解释。 复现时需核对听觉刺激方案、EEG 采集与预处理、特征定义、特征选择和超参数优化所用的数据划分，以及 XAI 解释与 TDE-HMM 状态结果的稳定性。实验协议、消融及统计信息尚未验证；摘要关于临床应用的讨论不构成临床有效性证据。