近年来，心理健康问题已成为全球公共卫生与社会发展面临的核心挑战之一。WHO报告显示，全球约有1/10的人口存在不同程度的心理障碍，其中抑郁、焦虑、自杀行为及相关心理困扰呈持续上升趋势，青少年、老年人及慢性病患者等易感人群的心理脆弱性尤为突出^[1-3]。心理健康问题不仅显著影响个体生活质量，也对公共卫生体系和社会经济造成持续负担。然而，传统心理健康评估主要依赖临床访谈与自陈量表，难以实现对个体心理状态的连续与动态监测^[4-5]。同时，受限于专业人力资源配置及个体求助行为特征，部分高风险人群未能及时纳入系统化评估与干预流程，从而增加了心理风险识别与干预的滞后性^[6]。因此，有必要探索更加客观、高效且具有可扩展性的心理筛查与干预技术。

从交叉研究视角来看，心理健康与神经网络（neural network）技术的结合具有天然互补性。心理状态本身具有复杂性、动态性与隐蔽性，传统统计模型难以全面刻画，而神经网络擅长处理高维、非线性、时间序列及多模态数据，能够揭示心理状态变化的潜在结构与隐含关联^[7-8]。近年来，人工智能的快速发展，尤其是神经网络技术在模式识别、语言理解、多模态信息处理及人机交互等领域取得重大突破，为构建基于客观指标、连续监测与智能干预的新型心理健康评估体系提供了理论与技术基础^[9-11]。

总体而言，现有研究仍缺乏针对不同数据类型、应用场景与模型演进路径的系统整合与综合分析。基于此，本文采用叙述性综述方法，系统梳理2010至2025年国内外神经网络在心理障碍识别与干预领域的研究进展，并从技术类型、应用场景和发展路径3个维度进行归纳，重点概述不同神经网络模型的特征及其在心理障碍识别、预测与干预管理中的应用与演进，旨在厘清其潜在临床价值与现实瓶颈，为后续跨学科研究与技术转化提供参考。

1   神经网络模型概述

与传统回归或浅层机器学习模型相比，神经网络具备在高维、非线性及多模态数据情境下自动提取潜在特征的能力，这一特性使其在语言、生理与行为等数据分析中具有一定的优势^[12-13]。

1.1   关键特征

神经网络在心理健康研究中具有关键优势。（1）神经网络具备强大的非线性建模能力，能够刻画心理状态与多重社会、情绪、生理因素之间复杂而交互的关系，补充传统统计模型在单一维度或线性假设下的不足 ^[14]。（2）神经网络具备自动特征学习能力，可直接从原始数据中提取高层语义与时序特征，从而减少人工特征工程带来的偏差。（3）神经网络模型适合时序与动态分析，可用于心理障碍的连续识别、风险轨迹预测及干预响应监测。（4）多模态数据采集技术的普及进一步提升了神经网络的多模态融合能力，能够整合语音、文本、图像、脑电信号和可穿戴传感器信号等多源数据，为心理健康研究提供全景式建模平台^[15]。因此，神经网络与心理健康领域具有天然契合性，可推动从传统“症状自陈”和“访谈问卷”向“数字心理表型（digital phenotyping）”的转变，为心理健康评估体系的建立提供新的技术支持^[16]。

1.2   模型分类

心理健康研究中常用的神经网络架构主要包括前馈神经网络、循环神经网络（recurrent neural network，RNN）、卷积神经网络（convolutional neural network，CNN）、图神经网络（graph neural network，GNN）以及基于自注意力机制的Transformer模型。其中，前馈神经网络以多层感知器为代表；RNN及其变体，如长短时记忆网络和门控循环单元，在时间序列建模中具有优势；CNN适用于处理具有空间结构或谱图特征的数据；GNN则用于建模关系型或网络型数据。基于Transformer架构的预训练大语言模型由自注意力机制驱动，近年来在文本理解、情绪推理及对话系统中迅速发展，逐渐成为心理健康文本分析与智能干预的重要工具 ^[17]，并在多模态对话和心理健康检测任务中展现出优于传统RNN和CNN架构的潜力^[18-19]。

2   神经网络在心理健康领域的应用

本章从技术类型、应用场景与发展路径3个维度，系统梳理神经网络在心理健康领域的应用进展。在技术类型层面，重点比较不同神经网络模型在心理数据建模中的方法特点与适用优势；在应用场景层面，分析相关模型在临床、社区及网络等不同环境中的应用情况；在发展路径层面，则聚焦神经网络在心理障碍识别、风险预测及干预管理过程中的发展演进。表 1对主要技术方向、典型应用场景及其发展路径进行了概览。

2.1   心理障碍识别与预测

心理障碍的识别与预测是神经网络在心理健康研究中的核心应用方向，旨在通过多源数据挖掘对个体心理状态与风险进行建模。现有研究主要聚焦抑郁、焦虑等常见心理问题，评估神经网络模型在不同预测任务中的适用性与性能。随着深度学习技术的发展，研究已从依赖结构化临床数据的静态预测，逐步拓展至语音、面部表情、生理信号及社交媒体文本等多样化数据，并逐步引入多模态联合建模以提升心理障碍识别的鲁棒性与泛化能力，而且研究方法呈现出由传统特征工程向端到端学习、由单一模态分析向多模态融合逐步演进的趋势。

从应用场景来看，现有研究既涵盖基于临床人群的心理障碍识别与风险预测，也逐步拓展至学校、社区及网络环境。在临床环境中，神经网络模型支持症状识别与危机分诊，为精神科医师提供数据化决策参考^[20]；在学校与社区中，部分研究结合问卷数据与可穿戴设备信号进行早期风险筛查^[21]；在网络环境中，基于自然语言处理的神经网络模型被用于分析社交媒体文本中的情绪与心理状态线索^[22]。总体而言，这些研究为心理障碍的早期识别与风险评估提供了新的技术路径，相关研究类型与方法概况见表 2。

2.1.1   基于结构化数据的心理障碍识别与预测

在心理健康研究中，心理障碍识别与风险预测主要依赖问卷、病史及结构化临床数据^[23-24]。早期研究尝试结合神经网络对这些数据进行建模，其中基于误差反向传播算法（backpropagation algorithm，BP）的神经网络是较早被应用的模型，其可辅助识别个体心理健康风险并预测潜在障碍。然而，BP神经网络存在学习速度慢、易陷入局部极小值等不足。为此，研究者进一步引入遗传算法（genetic algorithm）、粒子群优化算法（particle swarm optimization）等方法对BP神经网络进行参数优化，以改善模型的预测精度与训练效率^[25-26]。

随着电子健康记录的普及，研究逐渐整合临床文本与结构化信息，用于自杀风险分层与心理危机监测，实现跨时间风险识别^[27]。近年来，深度学习与结构化临床数据结合的模型已广泛应用于心理障碍风险预测，并在多中心研究中展现出较高的稳定性与临床潜力；还有研究尝试结合结构化变量与非结构化临床文本，借助深度学习实现多源信息整合，以进一步提升预测效能^[28]。

2.1.2   基于语音与面部图像的心理障碍识别与预测

在心理健康研究中，语音与面部表情作为关键外显信号，可非侵入性地反映个体情绪与认知状态，因此早期研究阶段即被用于心理障碍识别与风险预测。最初的相关神经网络研究主要采用人工特征提取与传统分类器。例如，研究者利用语音的基频、停顿时长、能量分布或面部表情的动作单元，并结合支持向量机（support vector machine，SVM）、随机森林等方法进行抑郁或焦虑检测^[29]。然而，这些方法依赖人工提取的特征，泛化能力有限。

随着深度学习的发展，研究逐渐转向端到端的自动化特征建模。在语音识别领域，CNN与RNN常被用于直接建模声学模式，以此捕捉短时频谱特征和长时程韵律信息。有学者基于帕金森病患者语音样本开发抑郁筛查模型，结果显示语音特征可作为抑郁风险的判定指标^[30]。江筱等^[31]提出级联深度神经网络，将整体表情与局部纹理特征结合，用于抑郁严重程度识别，实验结果显示，在实验条件下模型性能优于部分传统方法。系统综述和meta分析显示，2022年以来的深度学习研究已能够通过语音与面部多模态特征准确区分抑郁与焦虑状态，并在不同人群中表现出更高的泛化性^[9]。

2.1.3   基于生理信号的心理障碍识别与预测

生理信号能够直接反映中枢与自主神经系统的动态活动，为心理健康研究提供了相对客观的生物学指标，能够在一定程度上规避主观偏差，常见信号包括脑电信号、心率变异性（heart rate variability，HRV）、皮肤电活动及可穿戴设备连续采集的多模态数据^[32-33]。近年来，深度学习和多模态融合的兴起推动了这些信号在抑郁、焦虑等心理障碍识别中的应用。

脑电信号是应用最为广泛的神经信号之一。Acharya等^[34]基于小样本脑电图数据构建CNN模型用于抑郁筛查，准确率超过90%。后续研究通过引入长短时记忆网络等混合结构增强了脑电图时序依赖特征的捕捉能力，提升了动态心理状态识别的灵敏性。近年来，便携式脑电图设备结合深度学习模型逐步成熟，为移动环境下的实时抑郁筛查提供了可行方案^[35]。当前，结合可穿戴脑电图与多模态传感器的深度学习框架，不仅能对抑郁及双相障碍风险进行实时预测，也能识别出具有临床意义的数字生物标志物^[36]。

此外，杨妮^[37]提出基于HRV信号的心理压力识别算法，并采用改进粒子群优化算法优化BP神经网络与SVM分类器，实现了心理压力状态的高准确率识别。随着可穿戴设备的普及，已实现了HRV、睡眠、活动量等多模态信号的连续采集，相关研究表明，结合深度学习的多模态建模在中短期抑郁风险预测中具有较好的识别性能^[38]。多模态融合策略的引入使生理信号在心理状态建模中的应用不断拓展。

2.1.4   基于社交媒体、临床文本的心理障碍识别与预测

语言是人类心理活动的重要外显形式，在心理健康研究中具有重要意义。早期研究多依赖人工特征工程，如构建情感词典与统计词频，并结合SVM、logistic回归等分类器对心理障碍进行识别与预测。

随着深度学习的兴起，研究逐渐转向端到端的特征学习。Ophir等^[39]通过构建单任务和多任务模型，基于社交媒体用户日常语言预测其自杀风险，发现词汇模式与自杀风险高度相关。针对Reddit等平台的研究进一步表明，自杀相关主题文本及平台元数据可用于自动识别自杀方法、风险等级及高危用户特征^[40-41]。

进入Transformer阶段后，预训练语言模型成为主流方法^[42]。BRET（bidirectional encoder representations from Transformers，双向编码器表示）模型及其变体在心理健康文本分类中取得突破，专门针对临床语料训练的模型（如Bio_ClinicalBERT、GatorTron）在识别自杀高危患者时优于通用模型，且在精确率与召回率上达到较高水平。国外学者基于RoBERTa-CNN模型对SuicideWatch论坛帖子进行自杀意图识别，结果显示其模型在多类别自杀风险分类中表现优异，准确率高^[43]。还有研究提出结合Transformer模型与语义检索标注的多标签自然语言处理框架，并发现该框架在电子健康记录中显著提升了自杀相关行为的检测效果^[44]。

自2023年以来，大语言模型的快速发展正在推动心理健康技术路径演进。GPT系列、ChatGLM等模型不仅被用于心理障碍风险识别，也开始应用于模拟心理咨询对话与支持性交互^{[10, 45]}。还有研究将大语言模型与语音、面部表情等多模态数据联合建模，以拓展心理障碍识别的覆盖范围和应用场景^[10]。

2.2   心理障碍干预与管理

随着深度学习和自然语言处理技术的快速发展，基于神经网络的聊天机器人在心理障碍干预与管理中的应用日益受到重视，其主要应用于移动端自助干预平台和远程心理咨询环境。Woebot、Tess和Wysa等结合神经网络模型的智能会话代理或聊天机器人系统通常嵌入了认知行为疗法框架，能通过自然语言理解和深度学习实现情绪识别、语境建模与个性化反馈 ^[46]。随机对照试验表明，用户使用Woebot 2周抑郁与焦虑症状即显著下降^[47]；Tess在焦虑与抑郁患者中也表现出积极的辅助干预效果^[48]。

近期研究开始将神经网络模型与虚拟现实（virtual reality，VR）等技术结合用于临床治疗和实验研究中焦虑、抑郁等心理障碍的干预，并在部分随机对照试验中显示出积极效果^[49]。有研究指出，神经网络与扩展现实的结合可能提升患者参与度与治疗依从性，并在VR认知行为疗法、化身引导正念等应用场景中取得一定成效^[50]。在焦虑与恐惧症治疗中，VR暴露疗法已在随机对照试验中显示出与传统面对面疗法相当甚至更优的效果，而在抑郁与社交焦虑干预中沉浸式干预也展现出治疗潜力^[51]。

在多模态交互方面，一些研究尝试将语音、面部表情与姿态等多模态数据纳入干预系统，以更全面地推断用户心理状态。以美国南加州大学开发的SimSensei平台为例，该虚拟人系统能够实时采集用户语音、表情与姿态信号并推断其心理状态，还可在交互中提供情绪调节和认知训练建议^[52]。在临床管理层面，神经网络模型逐渐嵌入医院、社区卫生中心及远程心理健康服务流程，用于风险分流、随访监测与辅助资源配置支持。相关研究表明，此类模型可在临床人员监督下实现高风险人群的持续管理，并已在部分真实世界场景中开展了探索性应用^[53-54]。

3   挑战与未来展望

综合现有研究，神经网络在心理障碍的识别、预测与干预管理中已取得一定进展，并在多种数据模态与应用场景中展现出应用潜力。然而，受模型设计、数据来源及应用环境差异影响，相关方法在可解释性、跨场景泛化能力及临床转化等方面仍面临挑战。

3.1   模型可解释性与临床可用性

基于神经网络的心理障碍识别模型结构复杂、内部决策机制不透明，使结果难以被临床人员充分理解与验证 ^[11]。在心理健康领域，模型不仅需要具备较高的识别准确率，还需为临床决策提供可解释依据。当前多数模型仍难以明确说明其风险判定所依赖的关键特征与推理路径，这在一定程度上限制了模型在临床筛查、辅助诊断及风险评估中的可用性^[55-57]。尽管已有研究尝试引入注意力机制、特征可视化及可解释人工智能方法以提升模型透明度，但相关方法尚未形成统一范式，其在真实临床流程中的稳定性与实用价值仍需进一步验证^[12]。

3.2   数据质量与隐私问题

在神经网络模型开发与训练阶段，数据质量与隐私问题是影响模型性能和可行性的关键因素。心理健康研究所使用的数据通常涉及高度敏感的个体信息，包括临床问诊、行为记录、社交媒体文本和可穿戴设备信号等。结构化临床数据常存在缺失、不一致或采集偏倚，而文本与社交媒体数据的人工标注成本高且主观性强，这些问题均增加了模型训练与验证的难度 ^[28]。此外，严格的伦理审查和隐私保护要求在一定程度上限制了大规模数据共享和跨机构合作研究的开展。为缓解这些限制，研究者尝试引入联邦学习、隐私计算等方法，在保证数据隐私的前提下进行模型训练，但这些技术在多模态心理健康数据中的应用仍处于探索阶段^[58-59]。

3.3   跨文化适配与公平性

心理状态的外显特征在不同文化、语言及社会背景下存在显著差异，这种差异使得在特定样本或场景中训练的模型难以直接迁移至其他人群或应用环境 ^[60]。当前多数研究样本来源相对集中，文化与人群代表性不足，可能导致模型在少数群体中的识别性能下降，甚至放大潜在的算法偏差，从而影响模型的公平性与可靠性^[61-63]。虽然已有研究尝试通过跨域迁移、多语言建模及数据增强等方法缓解上述问题，但系统性的公平性评估仍然不足。未来研究需更加重视多样化样本构建与算法公平性分析，以提升模型在不同文化背景下的适用性^[64]。

3.4   模型泛化性与真实世界验证

神经网络模型在受控实验环境中通常表现出较高的预测或识别性能，但在真实世界复杂应用场景中的稳定性仍存在不足 ^{[57, 65]}。跨中心临床数据、生理信号的连续采集以及数字化干预工具的长期使用，均可能导致模型性能出现波动^[66-67]。当前多数研究仍停留在小样本或短期验证阶段，缺乏大规模、长期的真实世界评估，这在一定程度上限制了模型结果的外推性与可信度^[68-69]。因此，如何提升模型在不同场景和人群中的泛化能力，是当前推动神经网络在心理健康领域进一步应用的重要研究方向。

3.5   临床转化的伦理与监管挑战

随着神经网络技术逐步应用于心理健康筛查、评估与辅助管理等多种场景，其临床转化过程所涉及的伦理与监管问题逐渐受到关注，尤其是在自动化风险识别与决策支持场景中，模型误判、责任归属及算法透明度等问题受到广泛关注 ^[53]。在监管方面，多个国家已将数字疗法产品纳入审批与报销体系。例如，美国部分数字疗法医疗器械已获得FDA批准，结合药物与传感器或通过软件可用于慢性病管理^[70]。国内相关研究与监管体系仍处于探索阶段，但已有学者和专家提出系统化发展路径^[71]。未来研究应在技术创新的同时，加强伦理审查与制度建设，推动跨学科协作与规范化管理，以保障神经网络在心理健康领域的安全、有效及负责任应用。

4   总结

本文梳理了2010至2025年神经网络在心理障碍识别与干预管理领域的研究进展。从技术类型、应用场景与发展路径3个维度分析，发现神经网络在结构化调查数据建模、语音与面部图像分析、生理信号识别以及文本与社交媒体挖掘中表现出较大的应用潜力，为心理障碍早期筛查、风险预测及辅助干预提供了新工具，并推动了心理健康服务的数字化、个性化和连续化发展。然而，现有研究仍存在一些局限，如多数模型可解释性不足，跨场景和跨文化泛化能力有限，数据质量与隐私保护仍是瓶颈，真实世界验证和临床转化研究尚不充分。此外，伦理与监管体系尚未完善，这可能影响模型在实践中的应用安全性和可接受性。未来研究需进一步探索模型透明性提升、多模态融合、跨文化样本构建以及规范化伦理与监管机制的建立，以促进神经网络在心理健康领域的稳健应用和可持续发展。