新框架SGC挑戰EEG抑鬱症檢測傳統

研究論文提出了一個名為「超越增強」的新穎框架，旨在應對基於腦電圖（EEG）的重度抑鬱症（MDD）檢測所面臨的「小樣本困境」。傳統方法依賴生成式數據增強，不僅計算開銷大，還可能引入合成噪聲。本研究提出的分數引導分類（SGC）框架則另闢蹊徑，它不合成偽樣本，而是利用無監督生成網路架構來建模樣本的結構與統計異常程度，將此作為核心的「病理先驗」。此先驗經過穩健的正規化後，與深度特徵表示明確融合，從而精確地引導分類器的決策邊界。此外，為適應不同通道配置，論文提出了跨通道空間自適應模組，利用空間映射機制解決多中心數據中通道不匹配的硬體異質性問題。在Mumtaz2016和高密度MODMA數據集上的廣泛實驗表明，該方法在「零數據增強」和「零樣本合成成本」的挑戰性設定下，依然展現出有效性與優異的泛化能力。