精神与躯体障碍早期识别

国内首个针对抑郁症的追踪研究，项目周期10年，涵盖抑郁症患者和亚临床抑郁状态两个群体。

借助可穿戴设备与智能硬件，建立反刍思维、自发思维、脉搏、皮肤电、运动水平、睡眠质量、手机交互行为和脑功能影像学的多维度指标体系，建立抑郁症早期识别与预警系统。

开展移空疗法、音乐治疗、正念生活小组等多种形式的心理干预技术研究，形成可操作化的抑郁症预防方案，提出用于验证心理千预效果的过程化、个性化评价方法。

本研究通过腕带式多模态生理传感器收集癫痫患者的生理特征，创建机器学习模型，检测癫痫患者局灶性癫痫发作事件。

研究者收集癫痫患者在住院期间的生理数据，从中筛选出至少一次局灶性癫痫发作事件 ( 包含强直或痉挛表现 )、数据记录超过24小时的患者，仅保留癫痫发作时长在 10 秒-10 分钟以内的数据。分别依据个体特征、群体特征分析皮肤电导反应、血压、手腕部的加速度等生理与行为特征，创建模型。

研究表明，依据个体特征创建的模型可有效检测局灶性癫痫发作事件，敏感性为 67% 至 100%，误报率低至每 24 小时 0.85 次，优于群体特征模型。

本研究收集了自闭症儿童观看情绪诱发图片时的多种生理指标，用于分析自闭症儿童的情绪加工过程。

研究邀请被确诊为自闭症的儿童参与研究，向他们展示四类情绪图片(高唤醒积极情绪、低唤醒积极情绪、高唤醒消极情绪、低唤醒消极情绪)。每类情绪图片分两阶段呈现，一个阶段结束后，儿童评估自己的情绪感受，父母根据儿童的反应评估其情绪状态。观看情绪图片期间，采集儿童的心电、皮肤电阻、呼吸率、皮肤温度等多种生理特征。

结果表明，使用生理特征辨别自闭症儿童在不同唤醒程度条件下出现积极/消极情绪的平均准确率在80%左右。

本研究首次使用短时程心率变异性检验亚临床冠状动脉疾病患者早期心肌缺血的风险。

研究在 2014-2018 年共招募 1043 名参与者，他们冠状动脉疾病的预检概率为中低水平。首先对参与者进行 1 小时动态心电图测试，分析心率变异性；接着进行运动压力测验，将心率变异性、运动压力测验数据和心血管疾病高风险因素频率作为独立自变量，进行分析。

结果表明，心率变异性与亚临床冠状动脉患者的心肌缺血症状显著相关；将心率变异性与传统心血管疾病高风险因素、运动压力测验相结合可提升该症状的检出率。