基于虚拟现实与多模态机器学习的青少年抑郁症客观筛查新范式

　　本研究创新性地构建了集成虚拟现实（VR）、脑电图（EEG）、眼动追踪（ET）与心率变异性（HRV）的多模态框架，通过支持向量机（SVM）模型实现青少年重性抑郁障碍（MDD）的客观筛查（准确率达81.7%，AUC=0.921），为突破传统主观评估局限提供了具临床转化价值的数字化解决方案。

　　

研究背景

青少年重性抑郁障碍（MDD）已成为全球性公共卫生挑战，中国《2020年国民心理健康发展报告》显示青少年抑郁检出率高达24.6%。当前诊断主要依赖主观量表与临床访谈，存在超过50%的误诊或漏诊风险。近年来，脑电图（EEG）α波段不对称性模型、心率变异性（HRV）及眼动追踪（ET）等技术虽揭示了抑郁相关的神经生理特征，但单一模态易受共病症和个体差异干扰。虚拟现实（VR）技术通过创建标准化沉浸环境，为整合多模态生理数据提供了新途径，然而其在青少年抑郁筛查中的应用尚未形成标准化框架。

材料与方法

研究设计与人群

本研究采用病例对照设计，招募51名符合DSM-5标准的首发未服药MDD青少年及64名健康对照（HC）。所有参与者均来自瓮安中学，并通过G*Power 3.1软件进行效能分析（效应量d=0.6–0.8，α=0.05），样本量满足机器学习特征选择要求。伦理审批由上海市浦东新区医学伦理委员会批准（批号PDJW-KY-2022-011GZ-02）。

技术平台与任务范式

采用BIOPAC MP160系统采集EEG和ECG信号，See A8便携式遥测眼动仪记录 ocular motility数据。VR环境基于A-Frame框架开发，集成Claude API实现动态对话交互。任务场景为魔法森林湖畔全景环境，受试者与AI智能体“Xuyu”进行10分钟标准化情感对话，主题涵盖情绪困扰与未来期望。

数据处理与分析

EEG数据经0.5–100 Hz带通滤波及50 Hz工频滤波后，采用离散小波变换（DWT）去除伪迹。眼动数据以60 Hz采样，通过异常值剔除和缺失值插补处理。组间比较采用独立样本t检验（正态分布）或Mann–Whitney U检验（非参数），显著性阈值p<0.05（双尾）。使用支持向量机（SVM）与径向基函数（RBF）内核进行分类建模，通过递归特征消除交叉验证（RFECV）筛选特征，超参数优化为C=100, γ=0.1。

研究结果

生理标志物差异

MDD组呈现显著升高的EEG θ/β比率（2.52 vs 1.91, p=0.001）、HRV低频高频比（LF/HF ratio）（0.39 vs 0.34, p=0.003）以及眼动模式改变：扫视计数减少（216 vs 245, p=0.046）、平均注视时间延长（0.76s vs 0.68s, p=0.046）、扫视距离增加（325.59px vs 288.82px, p=0.003）和扫视持续时间延长（0.21s vs 0.20s, p=0.004）。

相关性分析

经Bonferroni校正（α_校正=0.0125），MDD组内CES-D评分与θ/β比率（r=0.575, p<0.001）和LF/HF比率（r=0.575, p<0.001）呈显著正相关，而与眼动指标无统计学关联。

分类性能

SVM模型以显著生理特征为输入，在等权重条件下实现81.74%准确率和0.921 AUC值。混淆矩阵显示对健康对照组识别率高（Recall=0.95），但MDD组召回率偏低（Recall=0.65）。通过调整类别权重（抑郁组权重=1.25），模型召回率提升至0.86，F1分数达0.80，体现了临床应用的可调节性。

讨论与展望

本研究首次在VR沉浸环境中同步捕获EEG、ET和HRV数据，证实θ/β比率与LF/HF比率可作为青少年MDD的强效生物标志物。其分类性能与既往fMRI（75–89%准确率）及眼动研究（86%准确率）相当，但通过生态效度提升实现了技术突破。未来需扩大样本多样性、采用可解释AI技术（如SHAP/LIME）增强模型透明度，并探索向可穿戴设备集成以实现规模化筛查。该框架为青少年精神健康领域的客观诊断建立了新范式，具有显著的临床转化潜力。