用于轻度抑郁识别的 EEG 与眼动内容驱动多证据融合

基于摘要分析。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，旨在提高多模态识别的准确性。主要贡献是将分类性能矩阵用于预测校正，并通过双权重融合模块处理模态间的证据冲突；研究对象是抑郁识别，而非 BCI 控制任务。 机制方面，CBMEF 包含分类性能矩阵模块和双权重融合模块。摘要描述，方法基于混淆矩阵与 Mahalanobis distance，利用贝叶斯规则估计不同模态的分类性能矩阵，再用这些矩阵校正分类结果。随后计算各模态的相对冲突程度，并据此在决策融合层分配不同权重。摘要未给出矩阵估计、冲突度计算与双权重组合的具体公式，也未说明底层分类器及 EEG、眼动特征构建方式，这些实现细节尚未验证。 结果方面，作者报告，在文中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%，并报告 sensitivity 为 89.20%、specificity 为 93.03%、precision 为 92.76%。摘要未明确这些指标对应的具体数据划分及是否来自同一实验设置，亦未提供被试数量、类别分布、被试内或跨被试协议、对照方法名称与统计不确定性，因此不能据此判断跨被试泛化能力或临床诊断效能。 复现时需核对性能矩阵与融合权重的估计数据范围、训练与测试划分、模态冲突的定义，以及各模块的消融与统计检验。实验协议、消融及统计信息尚未验证。作者将结果解释为该方法具有轻度抑郁检测潜力；摘要证据尚不足以将其视为已完成临床验证的诊断工具。