TF-MCL：用于自监督抑郁症检测的时间-频率融合与多域交叉损失
机器学习
2025-12-17 v1 人工智能
摘要
近年来，基于脑电图（EEG）信号的重度抑郁症（MDD）监督检测方法使用显著增加。然而，MDD的标注过程仍然具有挑战性。作为一种自监督学习方法，对比学习可以解决监督学习方法的不足，后者在MDD检测背景下过度依赖标签。然而，现有的对比学习方法并非专门设计用于表征EEG信号的时间-频率分布，其获取低语义数据表征的能力对于MDD检测任务仍然不足。为解决对比学习方法的问题，我们提出了一种用于MDD检测的时间-频率融合与多域交叉损失（TF-MCL）模型。TF-MCL通过使用融合映射头（FMH）生成时间-频率混合表征，该头高效地将时间-频率域信息重映射到融合域，从而能够有效增强模型合成时间-频率信息的能力。此外，通过优化多域交叉损失函数，时间-频率域和融合域中表征的分布被重构，从而提高模型获取融合表征的能力。我们在公开可用的MODMA和PRED+CT数据集上评估了模型性能，结果显示准确率显著提升，分别超越了现有最先进（SOTA）方法5.87%和9.96%。
引用
@article{arxiv.2512.13736,
title = {TF-MCL: Time-frequency Fusion and Multi-domain Cross-Loss for Self-supervised Depression Detection},
author = {Li-Xuan Zhao and Chen-Yang Xu and Wen-Qiang Li and Bo Wang and Rong-Xing Wei and Qing-Hao Menga},
journal= {arXiv preprint arXiv:2512.13736},
year = {2025}
}