基于便携式脑电和心电的双层级融合抑郁症智能检测方法

重度抑郁障碍（Major depressive disorder，MDD）的传统筛查与诊断主要依赖结构化访谈和量表评估，易受主观性与场景可及性限制，难以满足基层与社区场景下的早期识别需求。为此，本文面向真实世界可扩展筛查场景，构建并验证一种基于便携式单通道脑电（Electroencephalography， EEG）与可穿戴心电（Electrocardiography， ECG）的多模态抑郁识别框架P-MFCNet（Portable multimodal fusion with CLS network）。在数据层面，设计了包含睁眼静息、负性情绪诱发、闭眼静息和半结构化访谈的多任务实验范式，并在两家医疗机构完成同步多模态采集；方法层面，提出基于Transformer与分类标记（Classification token， CLS）的双层级融合策略，分别从模态维度与任务态维度学习互补信息与条件差异，再通过层次化CLS生成样本级融合表示，并结合ResNet分类头实现MDD与HC判别。结果表明，P-MFCNet在单中心五折交叉验证中取得ACC=0.842 4、AUC=0.796 7，在跨中心外部测试中取得ACC=0.810 0、AUC=0.875 0。整体结果显示，P-MFCNet在准确率、灵敏度及综合表现方面优于单模态模型，并与对比方法相比表现出较好的性能平衡。进一步结合置零消融与注意力可视化开展事后可解释性分析，结果显示模型整体上更关注ECG/HRV相关信息，而EEG在负性诱发和静息条件下提供补充判别证据。上述结果表明，便携式EEG-ECG多模态方案在抑郁快速筛查中具有良好的应用潜力，并具备一定的跨中心泛化能力和可解释性。