STLDA：用于基于单试次 ERP 的抑郁识别的时空线性判别分析

基于摘要分析。该研究针对基于单试次 ERP 的抑郁患者与健康个体识别，提出时空线性判别分析（STLDA），旨在缓解试次间变异大、信噪比低带来的分类困难。其主要研究对象是 EEG 中的 ERP 与抑郁识别，而非通用 BCI 控制任务。 方法通过学习时间与空间滤波器提高 ERP 信噪比，并保留用于识别的时空特征，再采用 minimum distance to mean（MDM，最小均值距离）策略分类。摘要未提供滤波器的具体优化目标、时空滤波的组合方式、特征表示或 MDM 所用距离定义，不能据此推定其使用黎曼几何或特定协方差表示。 作者报告，在两个公开数据集上，STLDA 的分类 Accuracy 高于若干基线方法，抑郁识别表现接近传统试次平均策略。摘要未给出数据集名称、被试数量、具体数值、基线名称，以及被试内或跨被试等划分协议，因此上述结论仅能保留为作者在所述实验中的定性报告，不能进一步推断临床诊断效用或跨被试泛化能力。 复现时需核对刺激与 ERP 提取流程、预处理、滤波器拟合与分类器训练所用数据划分，以及单试次方法和试次平均策略的比较条件。实验协议、消融及统计信息尚未验证，代码与实现可用性亦尚未验证。