根据世界卫生组织（WHO）的预测（2022年），重度抑郁症（MDD）是一个具有重大社会经济负担的全球性健康问题。虽然传统诊断主要依赖于主观自我报告，但一些最广泛使用的评估工具包括汉密尔顿抑郁量表（HDRS）（Hamilton, 1960年）、蒙哥马利-阿斯伯格抑郁量表（MADRS）（Montgomery & ?sberg, 1979年）和贝克抑郁量表（BDI）（Beck, Ward, Mendelson, Mock, & Erbaugh, 1961年）。鉴于这些挑战，迫切需要建立可靠且公正的MDD诊断方法。为了帮助临床医生，已经提出了许多人工智能（AI）算法，这些算法利用了音频视频数据、生理信号和社交媒体信息（HE2, 2026年；Cai, Wang, Ye, Jin, & Gao, 2023年；Cao & He, 2025年；Cao等人, 2025年；He & Cao, 2018年；He, Chan, & Wang, 2021年；He, Guo, Tiwari, Pandey, & Dang, 2022a年；He等人, 2022b年；He, Jiang, & Sahli, 2018年；He等人, 2024a年；He, Li, Tiwari, Zhu, & Wu, 2024b年；He, Tiwari, Lv, Wu, & Guo, 2022d年；He, Yang, Zhao, Chen, & Jiang, 2025a年；He, Zhao, Wang, Peng, Wang, Zhu, Pei, Chen, Jiang,等人, 2026年；He, Zhao, Zhang, Jiang, Qi, Wang, Wu, 2025b年）。基于EEG的识别方法因其无创性质和能够捕捉与情感障碍相关的神经生理生物标志物而成为一种有前景的客观替代方法。当前的基于EEG的分析方法主要遵循两种主要范式：基于卷积神经网络（CNN）的框架和基于图神经网络（GNN）的框架。基于CNN的方法通常通过将电极位置空间投影到像素坐标上来将原始EEG信号转换为二维表示，从而模仿传统的图像处理策略（Jia等人, 2020年）。然而，这种几何扁平化忽略了不同电极之间的基本关系。对于基于GNN的方法，EEG信号被转换为图结构。例如，在Chen, Hong, Guo, Hao, & Hu (2022)的研究中，提出了一种基于GNN的多模态融合框架，该框架同时建模心理生理数据的共享表示和特定于模态的表示，并通过图结构学习明确表征了受试者之间的相互关系。Tasci等人（2023年）设计了一种双帕斯卡三角形格子模式（TPTLP）来学习EEG信号的局部纹理特征。在Xu, Chen, & Zhang (2025)的研究中，设计了一个时频代理图学习（TFAGL）框架来阐明全脑神经协调模式。Zhang, Meng, Jin, Wang, & Hou (2024)的解决方案采用注意力机制与GCN来设计抑郁特征。Yuan等人（2024年）还设计了一个结合GNN和变分自编码器（VAEs）的模型来建模共享的潜在非线性格兰杰因果图。总之，大多数现有方法只是将不同的数据集一起训练成一个全局模型（例如，MODMA（Cai等人, 2022年）、EDRA（Yang, Wei, Liu, Zhu, & Zhou, 2023b年）、HUSM（Yang, Wang, Zhu, Yang, & Zheng, 2023a年）等），这在抑郁症检测任务中引发了严重的隐私问题，因为可能会暴露敏感的患者信息。尽管深度学习在基于EEG的分析中取得了显著的成功，但现有方法仍然存在三个关键挑战，阻碍了其临床应用：1）隐私风险：集中式训练可能会暴露敏感的患者数据；2）双重异质性：协议和硬件的变化导致数据和模型分布的偏移；3）资源限制：大规模模型无法轻松部署在资源有限的边缘设备上。联邦学习（FL）（Wang等人, 2021年）作为一种有效的解决方案出现，它能够在保持患者隐私的同时训练出强大的全局模型，因为它消除了直接共享或集中敏感心理健康数据的需要。特别是，来自移动设备/IoT设备的数据呈指数级增长（Liu, Liu, & Jiang, 2022年；Yu等人, 2021年），这推动了跨设备FL（Karimireddy等人, 2021年）作为一种流行的分布式机器学习范式的出现，需要分散式解决方案以实现高效的边缘计算。Yu等人（2022年）的解决方案引入了一种云-边缘协作架构用于抑郁症识别。此外，边缘设备的计算资源有限，导致FL算法在特定任务上的收敛性受到影响。例如，像ChatGPT这样的大型模型（Jiao, Wang, Huang, Wang, & Tu, 2023年）无法直接部署在资源受限的客户端上。Thapa, Arachchige, Camtepe, & Sun (2022)的解决方案采用分割学习与FL相结合，将整个模型划分为较小的子模块。这些子模块在中央服务器和分布式客户端之间协同训练，从而提高了资源利用效率。
此外，参与者之间的异质性仍然是跨受试者抑郁症检测中的一个重要挑战，表现为神经生理模式、数据采集协议和临床症状严重程度的差异。因此，可以采用域适应来对齐两个域（即源域和目标域）之间的分布，以便进行抑郁症识别。例如，Zhao, Zheng, Ma, Li, & Zheng (2020)设计了一个基于多个源域和目标域的端到端架构。Zhao等人（2025年）还提出了一种具有多个域的FL，以适应无线传感中的域偏移。此外，不同的站点（医院）可以拥有数据的权限，以保护抑郁患者的隐私。在多源数据环境中有效管理数据访问权限是一个重大挑战，特别是在DA场景中。
在基于EEG的抑郁症识别任务中，临床数据通常分散在不同的医疗机构中。由于隐私保护和合规性要求的限制，集中式共享具有挑战性，从而限制了传统集中式建模方法的实际应用。联邦学习为这种对隐私敏感的场景提供了一种可行的分布式训练范式。目前的研究通常单独讨论联邦学习、域适应或模型压缩。缺乏一个系统集成隐私保护、跨域泛化和资源自适应效率的统一框架。这一差距限制了基于EEG的检测在现实世界诊所中的实用性，这也是我们提出的RA3-FDA方案的主要动机。在这方面，我们提出了一种新的方案，即具有双重异质性意识的资源自适应联邦域适应方法RA3-FDA，用于基于EEG的抑郁症检测。与之前的方案相比，所提出的范式的优势在于它可以在不同的资源限制下训练异构的本地子模型，同时生成一个统一的全局推理模型进行联邦域适应。如图1所示，根据不同客户端可用的本地资源，动态构建不同的子模型架构。具体来说，首先从五个不同的频率带（即δ, θ, α, β和γ）中提取差异熵（DE）特征（Liu等人, 2017年），这些频率带来自三个数据集（例如MODMA、EDRA、HUSM等）。其次，使用狄利克雷分布来模拟非独立同分布（non-IID）的数据划分，以解决数据异质性问题。然后，通过掩码机制训练具有不同参数比例的模型，以解决模型异质性问题。随后，在源域和目标域之间进行本地训练，从而实现域适应，而无需交换原始数据。最后，通过服务器端的联邦学习更新全局模型。与传统的DA架构不同，RA3-FDA将目标域和服务器客户端分离，建立了一种新的方案，增强了在异构临床环境中的抑郁症识别泛化能力。
总体而言，我们研究的进展可以总结如下：
- 1.
为了模拟多样化的现实世界场景，每个数据集被划分为源域和目标域，以支持跨域学习，模拟联合域适应。我们使用狄利克雷算法来模拟不同的异构数据类型。据我们所知，这是第一项系统地将资源限制集成到抑郁症检测的联邦域适应框架中的研究，解决了现有研究忽视实际部署限制的问题。
- 2.
为了克服资源稀缺和计算能力有限的问题，我们引入了不同的掩码级别，使客户端能够使用不同比例的参数模型来训练他们的数据。同时，采用域适应技术来弥合源域和目标域之间的差距，提高模型效率。
- 3.
为了全面验证RA3-FDA框架的有效性，我们在三个公共EEG数据集（MODMA、EDRA、HUSM）上进行了广泛的实验。我们在这三个数据集上的准确率分别为92.29%、93.57%和96.75%。我们的研究为基于EEG的抑郁症识别建立了一种新的范式，解决了神经精神障碍临床应用中的核心挑战。
接下来，我们在第2节中介绍相关方法。然后，在第3节中描述我们提出的方案。第4节专门用于展示和讨论实验结果。最后，在第5节中详细阐述我们的贡献和未来方向。
