便携式“脑心协同”：抑郁症多模态客观筛查新方案

浙江大学江海腾团队采用念通智能研发的 iFocus 单通道脑贴设备，同时结合胸贴式ECG设备进行多模态生理信号采集，从而构建便携式脑-心同步监测系统。提出一种基于便携式脑-心多模态信号与小样本机器学习模型的抑郁症客观筛查方法，并系统评估其可行性与潜在临床价值。 重度抑郁障碍（Major Depressive Disorder, MDD）是常见精神疾病之一，但早期筛查仍主要依赖临床访谈存在主观性强、识别率有限的问题。

01

实验设计

本研究共纳入 56名受试者，包括 26名重度抑郁症患者 与 30名健康对照组。抑郁症诊断依据 DSM-5标准 并通过 SCID-5-RV结构化访谈确认，同时使用 HAMD-24、PHQ-9、GAD-7 等量表进行临床评估。

实验采用病例-对照设计，受试者在一次实验会话中完成四个实验条件:睁眼静息（Eyes-Open Rest）负性情绪图片观看（Negative Emotion）闭眼静息（Eyes-Closed Rest）抑郁相关结构化访谈（Clinical Interview）。

在整个实验过程中，同步记录脑电与心电信号。

02

实验方法

随后研究团队对信号进行系统处理：EEG特征提取δ、θ、α、β频段功率功率谱密度（PSD）,时域统计指标Hjorth参数,自回归模型系ECG特征提取心率（BPM）HRV指标（RMSSD、SDNN、pNN50）频域指标（LF、HF、LF/HF）。最终共获得 108个多模态特征（EEG 76个 + ECG 32个）。

在建模阶段，研究采用 TabPFN（Tabular Prior-Data Fitted Network） 进行分类，并与多种传统机器学习模型进行对比所有模型均采用 10折交叉验证进行评估。

03

实验结果

研究发现，在生理指标层面，抑郁症患者表现出显著的自主神经调节异常：

1️⃣心率变化

在所有实验条件下，MDD组心率显著高于健康对照组，提示抑郁症可能伴随持续性。

2️⃣脑-心耦合改变

在负性情绪任务中，健康组表现出EEG功率与HRV指标的正相关关系，而抑郁症患者则呈现弱相关甚至负相关关系，提示：

抑郁症患者在任务与静息状态之间表现出较低的自主神经调节灵活性。

3️⃣抑郁症分类性能

在机器学习分析中，多模态融合模型表现最佳：

结果表明：脑电与心电的多模态融合显著优于单一信号。

便携式单通道脑电 + 心电多模态信号结合小样本机器学习模型，有望成为抑郁症客观筛查的重要技术路径。

相比传统实验室级神经影像系统，该方法具有显著优势：设备便携，成本低，可快速部署，适用于真实临床或社区环境。

研究者认为，未来随着更大规模、多中心数据的积累，基于脑-心协同生理信号的AI筛查技术有望成为精神疾病数字化医疗的重要组成部分。

参考文献

Guo X, Zheng Z, Dai A, et al. Tabular prior-data fitted networks for objective depression screening with portable EEG and ECG[J]. Biomedical Signal Processing and Control, 2026, 117: 109598.