《Frontiers in Physiology》：Style transfer mapping with ensemble learning for cross-subject EEG-based neuropsychiatric disease recognition
编辑推荐：
跨受试者脑电图（electroencephalogram, EEG）识别仍是一项基本挑战，因为较大的受试者间变异性会导致严重的分布偏移，显著削弱现有学习模型的泛化能力。大多数现有迁移学习方法试图对齐全局特征分布，但往往忽视受试者特定的结构变化，导致在有限校准数
跨受试者脑电图（electroencephalogram, EEG）识别仍是一项基本挑战，因为较大的受试者间变异性会导致严重的分布偏移，显著削弱现有学习模型的泛化能力。大多数现有迁移学习方法试图对齐全局特征分布，但往往忽视受试者特定的结构变化，导致在有限校准数据下适应不稳定。为解决这一问题，研究人员提出一种原型一致风格迁移映射（Prototype-Consistent Style Transfer Mapping, PC-STM）框架，用于跨受试者神经精神疾病识别。与传统域适应方法不同，该框架将受试者差异建模为原型引导的风格变换，在保持判别性结构的同时，将目标表示显式对齐到类别一致的源域原型。具体而言，引入多源原型构建策略以表征代表性类别分布，随后采用置信度感知的转导式半监督风格迁移模块，利用有标签校准样本和无标签评估样本迭代优化变换参数。此外，可靠性感知的集成学习策略根据校准一致性动态聚合多个受试者特定分类器，从而提升对异质性受试者分布的鲁棒性。在两个涵盖重度抑郁障碍（major depressive disorder, MDD）和帕金森病（Parkinson’s disease, PD）的公开EEG数据集上的实验显示，在所评估的留一对受试者交叉验证（leave-one-pair-out, LOPOCV）协议下性能稳定。校准标签继承自公开数据集队列或任务条件，本研究不构成前瞻性临床诊断验证。除所评估的EEG任务外，原型引导的风格迁移可能为未来研究其他有限监督识别问题提供基础。
跨受试者脑电图（electroencephalogram, EEG）识别是神经精神疾病辅助筛查中的一个关键问题。由于受试者间存在解剖、生理和行为差异，EEG信号表现出很强的个体异质性，导致源域与目标域之间出现显著分布偏移，传统分类器在未见过的受试者上泛化能力明显下降。现有迁移学习通常采用协方差对齐、最大均值差异或对抗性训练等方式实现全局分布匹配，但这类方法在高维、非线性且具有多模态特性的EEG信号上容易扭曲类别边界，尤其在仅能获得少量校准数据时稳定性不足。临床诊断依赖症状、病史、检查和专家判断，因此EEG分类器的定位应当是疾病识别或计算机辅助筛查。为解决上述问题，研究人员提出原型一致风格迁移映射（Prototype-Consistent Style Transfer Mapping, PC-STM）框架，将跨受试者适应建模为原型引导的风格变换：通过仿射变换把目标EEG特征映射到类别一致的源域原型附近，同时保留判别性结构。研究采用两个公开数据集，分别针对重度抑郁障碍（major depressive disorder, MDD）和帕金森病（Parkinson’s disease, PD），在留一对受试者交叉验证（leave-one-pair-out cross-validation, LOPOCV）协议下评估。结果表明，与不加风格迁移映射的同一集成分类器相比，PC-STM明显提升分类稳定性；其中基于高斯模型目标构建的变体（PC-STM-GM）在MDD和PD任务中均取得最高准确率。该框架的意义在于，原型引导的风格迁移为有限监督条件下的跨受试者识别提供了一种统计驱动的建模路径，也可能为其他异质性模式识别问题提供借鉴，但本研究不构成前瞻性临床诊断验证。
研究采用MODMA公开数据集中42名受试者（21对MDD患者与健康对照）以及PD公开数据库（健康对照、PD ON、PD OFF状态，按24对受试者评估）。EEG特征为五个频段的对数谱功率。关键方法：1）多源原型构建：用k均值或高斯模型生成类别原型；2）加权支持向量机（support vector machine, SVM）集成：每个源受试者对训练一个SVM子分类器，按校准集准确率赋权；3）转导式半监督风格迁移映射（style transfer mapping, STM）：由有标签校准样本初始化，并用无标签评估样本的伪标签和置信度迭代优化仿射变换参数；4）LOPOCV确保留出的受试者对不参与原型构建、分类器训练和参数选择。
4.1 MDD识别结果
在MDD实验中，研究人员比较了无STM集成、最近原型变体（PC-STM-NP）和高斯模型变体（PC-STM-GM）在21对受试者、四个报告条件（Happy、Fear、Sad、All）下的识别准确率。Happy、Fear、Sad分别对应相应线索条件下的MDD与健康对照二分类，All为三种线索合并后仍以MDD与健康对照为预测目标。结果显示，两种PC-STM变体在所有条件下均优于无STM集成；无STM集成在Fear和Sad条件下波动较大且准确率较低。混淆矩阵表明，无STM集成对MDD样本存在明显误分类，而PC-STM-NP和PC-STM-GM在四个条件下准确率均高于93%，PC-STM-GM在All条件下误分类率低于2%。在当前LOPOCV协议下，PC-STM-GM的MDD识别准确率达到99.44%。上下文文献比较因研究队列、通道数、预处理和验证协议不同，不能视为受控对比。
4.2 PD识别结果
在PD任务中，针对PD ON与健康对照（CTL）条件，PC-STM-NP和PC-STM-GM均优于无STM集成；无STM集成准确率在约40%至90%之间浮动，PC-STM-GM保持高准确率且方差较小。校准样本量敏感性分析覆盖PD ON与CTL以及PD OFF与CTL条件，使用5、10、15、20个校准试验，结果显示无STM集成对校准样本数量更敏感，两种PC-STM变体在评估范围内表现稳定，PC-STM-GM在该转导设置下超过99%。混淆矩阵分析显示，无STM集成对CTL和PD的误分类率分别为10.60%和7.00%，PC-STM-NP降至0.30%和0.48%，PC-STM-GM降至0.13%和0.22%。在当前协议下PC-STM-GM达到99.92%准确率。
讨论部分认为，原型引导的STM将目标样本映射到来自多个源受试者的类别原型，比直接映射到个体样本或全局分布匹配更能降低分布偏移，并保留类别结构。最近原型方式可减少粗糙失配，高斯模型方式利用类协方差几何获得更平滑的变换，这与所观察到的PC-STM-GM更稳定的表现一致。置信度加权的转导半监督优化使得高置信度的无标签评估样本参与变换参数更新，从而在有限校准样本下增强稳定性。校准准确率加权的SVM集成则使与目标受试者更相似的源域子分类器获得更高权重，降低对单一源受试者的依赖。研究同时指出证据边界：匹配对设计、公开数据集队列标签和转导校准协议是高准确率的背景条件；校准标签继承自数据集诊断或用药状态分组，而非由临床医生逐试次新标注；该研究不构成前瞻性诊断验证，也不具备受试者层面或神经生理学可解释性；对其他疾病、非EEG模态或不同设备的应用尚未验证。
研究结论翻译如下：本研究提出带有校准信息加权集成的PC-STM，用于跨受试者EEG神经精神疾病识别。在所评估的匹配对转导协议下，PC-STM相比无STM的同一集成提高了分类稳定性，PC-STM-GM在MDD和PD数据集上取得最高准确率。这些发现并未确立前瞻性诊断效用、无校准性能、生理可解释性，也未证明其可推广到其他疾病和设备。未来在考虑临床应用之前，应评估独立队列、无校准设置、跨设备迁移和前瞻性识别流程。
