MTNet：通过融合 EEG 与眼动追踪检测轻度抑郁的多模态 Transformer 网络

基于摘要分析；当前材料仅包含标题与 Highlights，未取得论文全文。研究面向轻度抑郁检测，提出多模态 Transformer 网络 MTNet，通过融合 EEG 与眼动追踪数据提取时空特征，并考察融合策略与融合阶段对检测的作用。 机制与对照：材料将时空特征提取和多模态融合列为主要技术内容。作者报告，融合策略及融合发生的阶段均影响多模态信息整合，中间融合在捕捉模态间特征交互方面优于其他阶段。不过，现有材料未说明各模态的输入表示、Transformer 结构、时空编码方式、具体融合算子、训练目标或对照配置，尚不能判断优势来自何种设计。 结果与证据边界：作者报告 EEG 与眼动数据融合有助于抑郁检测，但材料未提供检测指标或量化增益。数据集、被试构成、轻度抑郁的判定标准、模态同步方式，以及被试内或跨被试的数据划分均尚未验证；实验协议、消融及统计信息也尚未验证，因此不能据此判断跨被试泛化能力或临床适用性。 复现核对重点包括两种模态的采集与预处理流程、缺失或低质量模态的处理，以及不同融合阶段是否采用可比的训练与评估配置。该研究的主要对象是轻度抑郁检测，不能将其结果直接解释为 BCI 控制或其他 EEG 任务性能的提升。