利用大脑分割技术的多尺度时空图神经网络用于重度抑郁障碍检测 赵刚、 郭伟、 王佳乐、 马永华、 朱永宝

《Sensors》：Multi-Scale Spatiotemporal Graph Neural Network Using Brain Partitioning for Major Depressive Disorder Detection Zhao Geng, Wei Guo, Jiale Wang, Yonghua Ma and Yongbao Zhu

　　摘要
重度抑郁症（MDD）是一种普遍且严重的精神疾病，基于脑电图（EEG）的自动化检测已成为辅助筛查诊断的有前景的方法。在这项工作中，我们提出了一种新的多尺度时空图神经网络，用于从多通道EEG信号中检测MDD。具体来说，我们使用了左右脑半球的分区先验来编码大脑的功能组织。基于这种分区，随后构建了自适应图，并进行了图消息传递来模拟半球内的相互作用。该方法不仅将大脑的功能组织纳入了学习过程中，还增强了与抑郁大脑动态相关的 discriminative 特征的提取能力。所提出的方法在一个包含54名成人参与者（27名MDD患者和27名健康对照组；年龄范围：27–48岁）的私有静息状态EEG数据集上进行了交叉受试者验证。实验结果达到了92.21%的准确率，超过了基线模型。同时，消融实验也证明了我们提出方法的有效性。

1. 引言
重度抑郁症（MDD）是一种普遍存在的精神疾病，影响着全球各行各业的人，并被世界卫生组织（WHO）认为是导致残疾的主要原因之一[1,2]。2023年WHO的报告估计，大约有2.8亿人患有抑郁症。与日常生活中短暂的 mood 波动不同，MDD 是一种持续且使人衰弱的状况，可能导致严重的功能损害和一系列不良的健康后果。与健康个体相比，MDD 还与自杀风险增加相关[3]。此外，MDD 对个人和社会都造成了巨大的经济负担。因此，准确和及时地检测 MDD 对于科学研究和社会福祉至关重要。
目前，诊断抑郁症的主要方法依赖于医生与患者之间的沟通和精神病学问卷评估[4]。然而，这些方法的准确性受到医生经验的影响，并可能因患者的主观偏见、否认或症状隐瞒而受到影响。此外，MDD 的临床表现具有异质性[5]，患者对标准药物治疗和心理治疗的反应往往多变且有时难以预测[6]，这进一步复杂化了诊断、治疗计划和结果预测。因此，开发不依赖于复杂临床判断的客观评估方法已成为活跃的研究焦点[7]。在这种情况下，电生理学和神经生理学信号在 MDD 分析中受到了越来越多的关注，包括功能性磁共振成像（fMRI）[8,9]、心电图（ECG）[10,11] 和脑电图（EEG）[12,13]。在这些方法中，EEG 特别吸引人，因为它易于获取、成本低、非侵入性高且时间分辨率高。
到目前为止，已经开发了许多基于 EEG 的大脑状态检测方法。早期的研究将手动提取的 EEG 特征与机器学习分类器结合使用[14,15]。例如，Sallum 等人[16] 使用相位滞后指数构建了功能连接网络，并应用支持向量机来检测抑郁症。Ahmed 等人[17] 提出了一个堆叠集成机器学习框架用于抑郁症识别。然而，EEG 信号的固有非线性和个体间变异性要求进一步提高检测性能。近年来，深度学习的发展使其在分析大脑状态方面得到了广泛应用[18,19]。例如，Khan 等人[20] 提出了一个使用小波相干性的 2D-CNN 模型来检测 MDD。Deng 等人[21] 开发了一个基于注意力的 SparNet，以捕捉局部大脑区域和整个大脑的空间和频率域模式来检测抑郁症。Chen 等人[22] 引入了一种自注意力图池化策略，并通过在邻接矩阵中添加全局连接来整合先验知识，以提高抑郁症检测能力。
尽管取得了上述进展，但大多数现有的基于 EEG 的方法主要强调时间和频谱表示，而往往忽略了大脑区域之间的协调活动。大脑功能源自于分布式区域内部和之间的相互作用，而不仅仅是孤立的通道模式。许多研究表明，神经和精神疾病与异常的大脑功能拓扑有关[23]。基于图的学习提供了一种自然的方式，将 EEG 通道或大脑区域表示为节点，将它们的相互作用表示为边，从而能够明确建模协调的动态。具体来说，图卷积网络（GCNs）可以在构建的拓扑上执行消息传递，有效捕捉区域之间的复杂依赖模式[24,25]。例如，Zhu 等人[26] 提出了一种改进的 GCN，增强了关键节点和连接的表示，以用于抑郁症检测。Li 等人[27] 使用 GCN 框架，利用细粒度的 EEG 信号和图互信息最大化来进行抑郁症识别。Zhang 等人[28] 将受试者级分区与 GCN 结合起来用于抑郁症检测。这些研究展示了基于图的建模在 EEG 基抑郁症分析中的潜力，并表明 EEG 通道在图构建中的组织方式对模型性能起着重要作用。
在这项工作中，我们从半球组织的角度进一步发展了基于图的 EEG 建模，这一想法受到以前研究报道的 MDD 相关大脑活动中的半球不对称性和侧化异常的启发[29,30]。在此基础上，将半球分区引入到 EEG 图学习中，并进一步与多尺度时间建模和自适应区域级融合整合到一个统一的框架中。基于这一设计，我们提出了一个名为 MSBP-GNN 的框架，用于从多通道 EEG 数据中识别 MDD。它包括三个关键组成部分：多尺度时间过滤模块（MSTF 模块）、基于大脑分区的图学习模块（BPGL 模块）和注意力融合分类模块（AFC 模块）。这项工作的主要贡献总结如下：
（1）MSTF 模块通过使用具有不同感受野的并行时间卷积从原始 EEG 信号中提取时间模式，使模型能够有效地捕捉信号的不同时间特征。
（2）BPGL 模块引入了作为生理学启发的结构先验的半球分区，将图卷积应用于预定义的大脑区域内，以更结构化的方式建模区域内的依赖性。
（3）AFC 模块自适应地聚合区域级特征，并使用注意力机制来融合区域间的信息，通过捕获区域内和区域间的依赖性来增强 MDD 检测。
本文的其余部分组织如下。第2节介绍数据集并描述了预处理程序。第3节详细介绍了所提出的 MSBP-GNN 框架及其核心模块。第4节介绍了实验设置和实验结果的全面分析。最后，第5节总结了本文并讨论了潜在的未来工作。

2. 数据集描述
2.1. 数据集采集
数据集是在山东中医学院附属医院（中国山东）记录的。共有54名成人参与者参与研究，包括27名被诊断为重度抑郁症（MDD）的患者和27名年龄匹配的健康对照组（HCs）。所有 MDD 患者均根据 ICD-10 标准被诊断为中度至重度单相抑郁症，且没有精神病症状。在这项研究中，仅包括没有精神病症状的 MDD 患者，以减少临床异质性并限制精神病特征对 EEG 模式的潜在干扰，从而能够更专注于评估所提出的 MDD 检测框架。排除了除了人格障碍之外的任何共病精神疾病患者，以及除了高血压和高脂血症之外的任何神经系统或躯体诊断的患者。MDD 患者和健康参与者都是自愿者，并签署了知情同意书。医院的伦理委员会批准了实验设计，并向所有参与者解释了该设计。健康参与者接受了临床症状检查，以排除任何身体或精神障碍的可能性，并被确认为正常。在 EEG 记录之前，参与者被要求避免咖啡、尼古丁和酒精。此外，为了减少药物对 EEG 模型的影响，MDD 患者在第一次 EEG 记录前进行了两周的 washout 期，本研究中仅使用了治疗前的 EEG 数据。为了确保一致性，所有记录都在所有参与者相同的时间内进行。
受试者在年龄和性别上尽可能匹配；尽管如此，仍然存在一些小的差异。所有参与者的详细人口统计信息总结在表1中。HC 组的总体平均年龄为35.70 ± 4.49岁，MDD 组的总体平均年龄为37.15 ± 5.37岁，组间年龄差异无显著意义（）。表1. 受试者的年龄和性别分布。组间总体年龄比较无显著差异（）。实验数据采集包括临床评分和 EEG 数据。临床数据涉及用于评估疾病严重程度的问卷，如 Beck 抑郁量表-II（BDI-II）和医院焦虑抑郁量表（HADS）[31,32]。如图1a所示，EEG 数据是使用带有标准10–20电极阵列的19通道 EEG 放大器记录的[33]，以连接的耳部（LE）作为参考，覆盖额叶（Fp1, Fp2, F3, F4, F7, F8, Fpz）；颞叶（T3, T4, T5, T6）；顶叶（P3, P4, P7, P8）；枕叶（O1, O2）；以及中央区（C3, C4）。此外，采样频率为256 Hz。实验范式包括静息状态记录，包括5分钟的闭眼（EC）和5分钟的开眼（EO）条件（图1b）。在会话期间，受试者保持舒适的坐姿，在安静和平和的房间内，以尽量减少生理伪迹。经过培训的技术人员监控了整个记录会话，标记了诸如眨眼、吞咽或身体运动等显著事件和干扰，以确保数据在后续预处理中的完整性。图1。（a）10–20系统及其19个通道。（b）EEG记录协议。
2.2. 预处理
原始 EEG 信号不可避免地受到各种类型噪声和生理伪迹的污染，可能无法准确反映潜在的大脑活动。因此，需要对 EEG 进行预处理以提高信号质量，并获得更干净的神经活动以供后续分析。预处理使用 Matlab R2021b 版本的 EEGLAB 工具箱进行。如图2所示，预处理协议包括四个主要步骤。首先使用0.5至70 Hz的带通滤波器对原始 EEG 信号进行过滤，以抑制慢速趋势和高频干扰，同时保留感兴趣的频率成分。然后，应用50 Hz的陷波滤波器去除电源线噪声。第三，将信号重新参考到无限远参考，以提供标准化的分析参考方案[34]。最后，进行独立成分分析（ICA）将 EEG 分解为独立成分，并识别和移除与眼动、肌肉活动和其他非神经源相关的伪迹成分，得到用于实验的预处理 EEG 记录。

3. 方法
在本节中，我们介绍了 MSBP-GNN 的设计概念和整体架构。如图3所示，MSBP-GNN 基于在多通道 EEG 中联合建模时间动态和分区感知的空间交互的理念。它包括三个主要模块：用于时间特征提取的 MSTF 模块、将电极分组到预定义区域以提取区域内特征的 BPGL 模块，以及用于 MDD 检测的整合区域间特征的 AFC 模块。图3. 所提出的 MSBP-GNN 的架构。
3.1. 多尺度时间过滤模块
EEG 信号包含丰富的时间-频率波动，并表现出明显的多带和多尺度特征。为了更好地捕捉时间特征并提高表示的鲁棒性，我们设计了一个多尺度时间过滤模块，该模块具有三个并行深度1D卷积分支。给定一个输入样本，每个分支通过分组深度卷积进行通道间的时间过滤，然后进行批量归一化和 ELU 激活。这三个分支使用的核长度分别对应于 s、s 和 s 的时间窗口。具体来说，分支 m 的核长度计算为 （1），其中是采样率，强制使用奇数核大小以实现相同的填充并保持时间长度。
对于每个分支，过滤后的特征图计算为 （2），其中 表示深度1D卷积，核长度为 ， 是批量归一化， 是 ELU 激活。
最后，我们通过平均融合聚合多尺度响应，以获得统一的时间表示： （3）。通过显式建模时间感受野的多样性，该模块增强了模型对频率依赖模式的敏感性，并为后续的区域级图构建和节点级时间嵌入提供了强大的输入。MSTF 模块的更多具体参数详细信息见表2。表2. 多尺度时间过滤模块的具体层和参数设置。

3.2...基于大脑划分的图学习模块 3.2.1. 区域稀疏邻接构造

大脑活动本质上是局限于大脑的特定区域的，每个区域执行不同的功能角色。为了捕捉这些区域特定的动态并更好地模拟每个区域内的相互作用，我们根据解剖学先验将19个EEG通道划分为不同的大脑区域。有不同的大脑划分策略，例如两区域划分（左半球和右半球）、前后划分（额叶和顶叶区域），以及结合了半球和前后划分的四区域划分。在这项工作中，经过比较后我们选择了左-右半球划分策略。具体来说，左半球包括电极FP1、F7、F3、Fz、T3、C3、Cz、T5、P3、Pz和O1，而右半球包括FP2、F8、F4、Fz、T4、C4、Cz、T6、P4、Pz和O2。此外，由于中线通道（如Fz、Cz、Pz）在两侧大脑功能中都起着核心作用，因此它们被两个半球的图共享。这种处理方式允许模型保留半球边界周围的共享信息，并提供更完整的大脑相关功能相互作用的描述。

这种划分策略使模型能够专注于区域内的相互作用，并提高对每个半球特定功能模式的敏感性，从而捕捉到更精确和依赖于区域的脑活动。在此基础上，我们在每个半球内构建稀疏的功能图来模拟结构化的区域内部相互作用。对于每个区域（左半球和右半球），我们计算L2标准化的时间序列之间的成对余弦相似度，以捕捉它们的功能连通性。具体来说，标准化按照以下方式进行（4），邻接矩阵的计算按照以下方式进行（5），每个节点保留前十个正相关性，这样可以抑制弱相关性和负相关性。这种稀疏化有助于限制图卷积的范围，从而提高计算效率，同时专注于最相关的区域内部相互作用。

3.2.2. 节点级时间嵌入

为了有效地捕捉每个节点的时间动态并生成与任务相关的节点特征，采用了节点级时间嵌入方法，而邻接矩阵定义了图的空间拓扑结构，对时间模式的建模对于学习具有区分性的节点特征也至关重要。本模块的目标是将每个节点的时间信号编码为固定长度的表示，这在减少维度的同时保留了必要的时间区分特征。具体参数在表3中详细说明。表3展示了节点级时间嵌入块的具体层和参数设置。为了实现这一点，我们使用时间卷积层，然后是时间注意力池化机制。具体来说，首先应用两层卷积堆栈从输入信号中提取局部时间特征。这一步专注于捕捉信号中的重要时间动态，然后通过注意力机制进一步增强这些特征。注意力机制根据每个时间步对任务的相关性分配动态权重，使模型能够关注信号中最有信息量的部分。这样，模型强调了对于任务至关重要的区分性时间模式。注意力机制定义如下（6），其中W代表注意力权重，softmax操作强调了时间序列中最显著的时间步。然后将注意力加权的特征图在时间维度上进行求和（7），得到最终的节点级特征图。最后，使用线性层将节点级表示投影到低维空间，产生特征嵌入。这种基于注意力的时间嵌入减少了冗余时间信息，同时保留了关键模式，从而提高了图卷积的节点级特征的区分能力。

3.2.3. 区域内图卷积

在生成了区域级图和时间嵌入后，应用局部图卷积来实现在每个区域内的节点之间的结构化特征相互作用。为了高效地模拟通道间的相互作用，采用了Chebyshev多项式近似（三阶）[35]进行谱图卷积，实现了三跳邻域内的局部信息传播。

对于每个区域（左半球和右半球），计算标准化的拉普拉斯矩阵（8），其中是邻接矩阵的度矩阵。每个图卷积块包括两个堆叠的Chebyshev卷积层，带有残差连接和层归一化，然后是一个ReLU激活层和一个dropout层（）。卷积层的输出由（9）给出，其中是ReLU激活函数，代表层归一化。随后，通过对每个区域内的节点进行平均获得区域级嵌入（10），这个池化操作汇总了该区域内所有节点的信息，产生一个固定长度的表示，捕捉了区域特定的动态。区域内的图卷积机制通过区域内的局部相互作用细化了节点嵌入，使模型能够捕捉复杂的空间和时间模式，增强了模型学习区分性特征的能力。

3.3. 注意力融合分类模块

注意力融合分类（AFC）模块旨在自适应地聚合区域级特征，并融合跨区域的信息，增强了模型捕捉区域内部和区域间依赖性的能力。虽然区域内部特征捕捉了每个大脑区域内的局部依赖性，但AFC模块专注于聚合和融合这些区域特定特征，以模拟区域间的相互作用，这对于更全面的特征表示至关重要。为了实现这一点，将从左右半球获得的区域级嵌入连接起来形成。然后应用注意力机制来估计每个区域的重要性，使用线性变换后跟softmax计算注意力权重。此外，通过对区域嵌入进行加权求和获得最终的特征向量（11）。最后，融合向量经过归一化并通过全连接层进行MDD分类。基于注意力的融合机制使模型能够动态地强调最相关的区域间依赖性，从而产生更稳健和可解释的预测。

4. 实验结果和讨论

4.1. 实验设置

在这项研究中，我们在私有数据集上进行了二元分类任务（MDD vs. HC），以评估所提出的MSBP-GNN在跨受试者场景下的有效性和鲁棒性，这更好地反映了实际部署中遇到未见过受试者的情况。如图4所示，我们通过结合一个MDD受试者和一个NC受试者来形成受试者对，并采用留一法（leave-one-pair-out）协议。在每次迭代中，来自一个受试者对的所有样本被保留作为测试集，而来自其余受试者对的样本用于模型训练。从训练部分中，我们进一步将20%的样本作为验证集，剩余的80%用于训练。模型训练50个周期，选择具有最佳验证性能的检阅点来评估保留的测试对。对于对应于受试者特定状态（EC或EO）的每个记录，我们均匀选择了EEG信号的中间180秒进行分析。样本使用2秒不重叠的滑动窗口从原始EEG信号中分割出来。图4显示了实验程序。所有实验都在配备了4.20GHz Intel(R) Core(TM) i7-7700K CPU、NVIDIA GeForce GTX TITANX GPU和16GB RAM的服务器上进行。模型使用Adam进行优化，初始学习率为0.001。采用余弦退火调度器在训练过程中调整学习率，训练最多50个周期，如果连续10个周期验证损失没有改善，则提前停止训练。使用四个指标评估模型在保留的测试集上的性能：准确性、敏感性、特异性和F-score。

4.2. 性能指标

引入了四个性能指标，包括准确性、敏感性、特异性和F-score，来评估模型在测试集上的性能。它们的定义如下：（12）（13）（14）（15），其中TP、TN、FP和FN分别表示“真阳性”、“真阴性”、“假阳性”和“假阴性”。其中，F-score可以被视为敏感性和特异性の加权谐波平均。

4.3. 相关方法的比较

为了证明所提出的MSBP-GNN框架的有效性，我们在相同的实验设置下重现了五种代表性方法，并将它们与我们的方法进行比较。为了公平比较，所有基线模型都是从头开始在相同的数据集、预处理程序、跨受试者分割以及训练/验证/测试框架下进行训练的。五种比较方法的简要介绍如下：（1）LMDA [36]：一个轻量级的注意力网络，它结合了多维注意力模块来增强EEG特征建模。（2）DeprNet [37]：一个专为抑郁识别设计的CNN模型，基于EEG信号。（3）EEGNet [38]：一个专为EEG解码设计的紧凑CNN，强调高效的特征提取和强大的分类性能。（4）MV-SDGC [39]：提取时间-频率和能量信息，使用GCN和注意力机制整合这些特征，然后将其输入分类模块。（5）EEG-Conformer [40]：一个混合模型，它利用CNN提取局部时空特征，并使用Transformer捕捉长距离依赖性。

4.4. 实验结果

图5和表4展示了在留一法（leave-one-subject-pair-out）设置下，所提出的MSBP-GNN与五种基线方法在私有数据集上的比较结果。图5显示了平均分类性能的总体比较，而表4进一步报告了所有受试者对的平均值±标准差以及从单侧 paired t-test获得的p值，方向假设为MSBP-GNN优于每个基线方法。如图所示，MSBP-GNN在比较方法中实现了最佳的总体性能，准确率达到92.21 ± 12.81%，敏感性达到94.77 ± 11.56%，特异性达到89.65 ± 21.49%，F1分数达到0.9284 ± 0.1168。配对统计分析进一步支持了MSBP-GNN相较于基线方法的优越性趋势，与EEGNet和LMDA相比观察到的p值相对较小。考虑到跨受试者EEG解码本质上具有很大的差异性，这些结果表明所提出的多尺度大脑划分框架为跨受试者MDD检测提供了一个有效且稳健的解决方案。

4.5. 消融和敏感性实验

为了进一步检验MSBP-GNN中主要设计选择的贡献，我们进行了一系列细致的消融和敏感性实验。具体来说，我们评估了多尺度时间过滤设计、大脑分区策略、区域级融合机制和图稀疏设置的效果。相应的结果总结在表5、表6、表7和表8中。表5总结了在不同时间尺度组合下多尺度时间过滤模块的细致消融研究。报告的值是所有受试者对的平均值±标准差。表6比较了不同的大脑分区策略。报告的值是所有受试者对的平均值±标准差。表7比较了不同的区域级融合策略。报告的值是所有受试者对的平均值±标准差。表8分析了图构建中Top-K参数的敏感性。报告的值是所有受试者对的平均值±标准差。

4.5.1. 多尺度时间过滤的效果

为了验证多尺度时间过滤模块的有效性，我们将完整的三尺度配置与几种简化的变体进行了比较，包括单尺度设置和不同的双尺度组合。如表5所示，完整的三尺度设置（0.4、0.2、0.1）也是MSBP-GNN的默认配置，它取得了最佳的整体性能，具有最高的准确性、灵敏度和F1分数。在单尺度设置中，（0.1）的表现优于（0.2）和（0.4），这表明在当前任务中，较短的时间感受野比其他单独的尺度更有效。双尺度变体通常比较弱的单尺度设置有所改进，表明结合来自不同感受野的时间信息是有益的。特别是（0.4,0.1）组合在所有双尺度变体中取得了最佳性能，但仍低于完整的三尺度模型。总体而言，这些结果表明不同的时间尺度为跨受试者的MDD检测提供了互补的信息，而完整的多尺度设计在所提出的框架中提供了最有效的时间表示。

4.5.2 脑部分割策略的效果
为了评估大脑分割先验的效果，我们比较了不同的分割策略，包括提出的两区域半球分割、四区域分割、前后（AP）分割以及非分割的全脑图设置。相应的结果总结在表6中。在所有测试的策略中，提出的两区域半球分割取得了最佳的整体性能，具有最高的准确性、灵敏度和F1分数。这一结果表明，半球分割为当前跨受试者MDD检测设置中组织EEG通道交互提供了一个有效的结构先验。相比之下，四区域分割导致了较低的整体性能，表明在当前设置下，更精细的空间划分并不一定会产生更具区分性的表示。AP分割取得了最高的特异性，表明它在识别健康样本方面具有相对较强的能力，但其灵敏度和F1分数明显低于所提出的模型。全脑设置在某些指标上的表现优于四区域和AP设置，但在整体检测效果上仍然低于两区域模型。总体而言，这些结果表明，结合大脑分割先验对跨受试者EEG建模是有益的，而且所提出的两区域半球分割在结构简洁性和区分性能之间提供了更优的平衡。

4.5.3 融合机制的效果
为了评估区域级融合设计的效果，我们比较了不同的融合策略，包括基于注意力的融合、平均池化、最大池化以及连接后接多层感知器（MLP）。相应的结果总结在表7中。在比较的策略中，基于注意力的融合取得了最佳的整体性能，具有最高的准确性、灵敏度和F1分数。这表明不同的区域表示对MDD检测的贡献并不相等，适应性加权比固定的融合规则更有效地整合了区域级信息。相比之下，最大池化取得了最高的特异性，并显示出第二好的整体性能，表明它能够保留相对强的区分性区域响应，但在整体检测效果上仍然不如所提出的基于注意力的融合。相比之下，平均池化和与MLP的连接都导致了较弱的整体性能。总体而言，这些结果支持在最终的MSBP-GNN中使用基于注意力的融合机制，因为它在当前的跨受试者设置中提供了一种更有效的方式整合区域级表示。

4.5.4 对图稀疏性的敏感性
为了研究图稀疏性的影响，我们对图构建中使用的Top-K参数进行了敏感性分析。相应的结果总结在表8中。结果表明，模型性能随着图稀疏性水平的不同而变化。在测试的设置中，保持相对丰富的区域内部连接性对当前设置下的跨受试者MDD检测是有益的。相比之下，较小的Top-K值通常导致较低的整体性能。特别是，非常稀疏的设置取得了最高的特异性，但明确显示出较低的准确性、灵敏度和F1分数，表明过度稀疏化可能会在提高健康样本区分度的同时降低整体检测效果。中间设置在中提供了更平衡的结果，但在整体性能上仍然低于。总体而言，这些结果表明适当的图稀疏性水平对于平衡结构紧凑性和保留信息性功能交互是重要的。基于这一分析，被采纳为所提模型的最终配置。

4.6 讨论
上述结果进一步证明了在跨受试者EEG建模中引入结构化大脑先验的价值。与将所有EEG通道视为一个未区分的整体不同，所提出的MSBP-GNN通过半球分割和区域级图学习来组织它们，提供了更结构化的脑活动表示。不同分割策略的比较结果表明，两区域设置更适合当前任务，表明半球分割作为跨受试者MDD检测的有效建模先验。同时，消融结果也支持所提出框架中不同模块的互补作用。多尺度时间设计增强了模型在不同时间感受野下捕获EEG动态的能力，而基于注意力的融合策略实现了区域级表示的自适应整合。结合基于分割的图构建，这些组件形成了一个统一的框架，用于联合建模EEG信号中的时间特性和结构化空间交互。总体而言，这些发现表明，所提出的设计不仅在提高检测性能方面有效，还为基于EEG的抑郁症分析提供了更符合生理学的建模视角。

5. 结论
MDD严重影响了患者及其家庭的日常生活，仍然是全球普遍存在的心理健康问题。因此，高效和客观的MDD检测对于及时筛查和干预非常重要。在这项研究中，我们提出了MSBP-GNN，这是一个基于EEG的框架，它整合了多尺度时间过滤、基于大脑分割的图学习和基于注意力的融合，用于跨受试者MDD检测。通过联合建模时间动态和结构化的空间交互，所提出的方法能够捕捉脑活动中的区域内部和区域之间的依赖性。在私有数据集上的实验结果表明，MSBP-GNN取得了良好的整体性能，而消融和敏感性实验进一步验证了其主要设计选择的有效性。这些发现表明，将结构化大脑先验纳入基于图的EEG建模对跨受试者MDD检测是有益的。然而，这项研究基于来自单一中心的私有数据集，且当前任务专注于MDD检测。在未来的工作中，我们将进一步提高跨受试者的鲁棒性和泛化能力，扩大数据集规模，并探索更先进的基于特征的EEG抑郁症分析策略。