ELPG-DTFS：用于 EEG 抑郁症诊断的先验引导自适应时频图神经网络
计算机视觉与模式识别
2025-09-30 v1
摘要
重度抑郁症 (MDD) 的及时客观筛查至关重要，但目前诊断仍依赖主观量表。脑电图 (EEG) 提供了一种低成本的生物标志物，但现有的深度模型将频谱视为静态图像，固定通道间图结构，并忽略了先验知识，从而限制了准确性和可解释性。我们提出了 ELPG-DTFS，一种先验引导的自适应时频图神经网络，其引入了：(1) 带有跨频带互信息的通道-频带注意力机制；(2) 用于动态功能连接的可学习邻接矩阵；(3) 注入神经科学先验的残差知识图谱路径。在 128 通道 MODMA 数据集（53 名受试者）上，ELPG-DTFS 达到了 97.63% 的准确率和 97.33% 的 F1 分数，超越了 2025 年的 SOTA 模型 ACM-GNN。消融实验表明，移除任何模块都会使 F1 分数最多降低 4.35，证实了它们的互补价值。因此，ELPG-DTFS 为下一代基于 EEG 的 MDD 诊断提供了一个稳健且可解释的框架。
引用
@article{arxiv.2509.24860,
title = {ELPG-DTFS: Prior-Guided Adaptive Time-Frequency Graph Neural Network for EEG Depression Diagnosis},
author = {Jingru Qiu and Jiale Liang and Xuanhan Fan and Mingda Zhang and Zhenli He},
journal= {arXiv preprint arXiv:2509.24860},
year = {2025}
}
备注
8 page,3 figures