使用 Attentive Simple Graph Convolutional Network 探究用于抑郁检测的情绪 EEG 模式

基于摘要分析。本研究探讨情绪诱发 EEG 模式能否用于区分抑郁患者与健康对照，采用干电极系统采集观影时的 EEG，并构建 Attentive Simple Graph Convolutional Network，利用 EEG 通道间的拓扑信息进行情绪识别与抑郁检测。 研究设计包含快乐、中性和悲伤三类情绪诱发条件，共采集 33 名抑郁患者与 40 名健康对照的 EEG。作者报告，抑郁组与健康组在额部和颞部位点的 alpha、beta、gamma 频段平均激活水平存在差异，并将其解释为抑郁症状影响情绪体验的线索。摘要未给出差异方向、效应量及统计检验信息，这些观察尚不能直接等同于已验证的临床生物标志物。 方法上，模型的明确设计动机是利用 EEG 通道之间的拓扑关系。摘要未说明图的构建方式、注意力机制、输入特征、网络结构、损失函数或训练流程，因此尚无法判断各模块的具体贡献及复现条件。 作者报告，在快乐情绪条件下，抑郁—健康分类器达到 81.93% 的灵敏度和 91.69% 的特异度；两项指标分别反映对抑郁患者的检出能力与对健康对照的正确排除能力，不能替换为 Accuracy。摘要未交代被试内或跨被试评估、训练与测试划分、对照基线及置信区间，也未提供其他情绪条件的对应结果，因而不能据此认定快乐情绪具有最优检测效果或模型具备跨人群泛化能力。 全文核对重点包括情绪诱发与诊断标准、干电极采集和伪迹处理、图拓扑与注意力实现、数据划分单位及不同情绪条件的比较。实验协议、消融及统计信息尚未验证。该研究直接涉及 EEG 辅助抑郁检测，不应将其结果扩展为已验证的 BCI 控制性能或临床诊断效能。