图增强双低秩相关嵌入：面向抑郁症识别的脑电时空融合新方法

《Neural Networks》：Graph-Enhanced Dual Low-Rank Correlation Embedding for Spatio-Temporal EEG Fusion in Depression Recognition

本文提出了一种创新的图增强双低秩相关嵌入（GEDLCE）方法，通过融合脑电图（EEG）的时空特征提升抑郁症识别性能。该方法在特征和样本层面施加低秩约束，结合图拉普拉斯项保留数据几何结构，并引入增强相关性分析减少视图内冗余。实验表明GEDLCE能有效捕捉关键生物标志物，为抑郁症的客观诊断提供新思路。

　　

亮点

• •
  GEDLCE将自表示与低秩表示（LRR）和基于相关性的子空间学习集成于统一框架，通过投影矩阵有效捕捉全局依赖性并保留局部数据结构。
• •
  通过两个图拉普拉斯项保留原始空间几何结构，同时利用标签信息的判别性图嵌入项增强模型区分能力。
• •
  在典型相关分析（CCA）基础上引入增强相关性分析，同步挖掘视图间相关性并降低视图内冗余。

多领域特征融合

基于EEG的抑郁症识别方法已从单领域特征提取演进至多领域特征融合。早期研究主要依赖时域、频域或空间域等单一领域特征。例如，时域特征反映EEG信号的瞬时动态，而频域特征揭示脑活动的节律特性。

图嵌入

图嵌入是广泛采用的降维框架，通过构建邻域图G={X,W}，其中顶点集X=[x₁,x₂,...,x_n]∈R^d×n，相似矩阵W∈R^n×n描述数据点间关系。目标是通过最小化目标函数获得低维表示y=[y₁,y₂,...,y_n]，保留数据流形结构。

提出的方法

为探索多模态特征相关性以实现有效抑郁症检测，我们提出GEDLCE框架（图1），同步分析EEG信号的时空特征矩阵，利用组内和跨模态相关性进行特征级融合，最终通过最近邻分类器实现状态识别。

实验

本节详述实验设置与关键结果：包括数据预处理、时空特征提取、基线方法对比，并对主要发现进行量化分析。

单模态与多模态融合对比

在EEG抑郁症识别中，时空特征构成信号分析的两个基本维度。时空特征捕捉脑活动的动态演化，空间特征刻画脑区交互作用。多模态融合能提取互补信息模式，提升模型对EEG信号复杂性的捕捉能力。

结论与未来工作

本文提出GEDLCE这一监督式多模态融合方法，通过整合低秩表示（LRR）与图嵌入学习多模态数据的共享潜在子空间。它在保留样本局部流形结构的同时捕获跨视图共性模式，并利用增强相关性分析优化特征交互。未来将探索动态图构建与非线性扩展。