TwoM模型：基于脑电图的抑郁症识别中时频表征与空间滤波的联合学习框架

《Biomedical Signal Processing and Control》：TwoM: A model for joint time–frequency representation and spatial filtering for EEG-based depression recognition

本文提出了一种创新的TwoM框架，通过联合学习时频表征（CWTrans）和空间滤波（SCACF）技术，实现了从原始脑电图（EEG）信号端到端的抑郁症识别。该模型利用双向感知融合（BPF）机制自适应筛选有效特征，显著降低了对复杂预处理流程的依赖，在MODMA等数据集上展现出优异的准确性与鲁棒性，为EEG生物标志物的自动化提取提供了新思路。

　　

^亮点

^{材料与方法}

图1展示了TwoM的整体架构。它包含三个核心部分：（1）SCACF模块采用SC-Attention（一种融合了SE-Attention和通道间注意力的机制）与GLU-Conv来评估每个通道的相对重要性；（2）CWTrans将连续小波变换（CWT）得到的时频表征与GLU-Conv相结合，从而捕捉丰富的时域和频域动态特征；（3）双向感知融合（BPF）模块包含一个交叉注意力机制，用于加权整合不同特征序列的信息。

^{实验与结果}

本节验证所提出模型的有效性。首先，我们介绍用于测试的数据集和数据处理流程。随后，将我们的模型与代表性基线方法进行比较；接着我们进行参数选择实验和消融研究。最后，对结果进行分析和讨论。

^讨论

脑电图数据预处理仍然是一个存在争议的话题，特别是关于最优方法的选择。实验表明，模型越复杂，其对数据质量的依赖性就越大，冗余信息和噪声极易导致过拟合。尽管预处理可以提升数据质量，但该过程耗时且依赖专业知识，并缺乏普适性。因此，设计具备自适应筛选能力的模型，以自动提取有效信息并降低对人工预处理的依赖，是未来研究的重要方向。

^结论

本研究的核心目标是使模型能够直接从原始脑电图数据中自动提取有用信息，从而减少对复杂预处理流程的依赖。为此，我们设计了两个关键模块：SCACF和CWTrans。SCACF用于提取空间特征，而CWTrans用于提取时频特征；两者都通过自适应滤波机制对原始数据进行筛选和增强。在实验部分，我们首先系统评估了不同预处理流程对模型性能的影响，结果表明TwoM框架在减少人工干预的同时，实现了具有竞争力的性能。