当智能手表提示心率升高，它可能正在揭示内心的焦虑。一项发表于权威期刊的系统综述，为利用可穿戴设备客观、连续地评估焦虑提供了迄今为止最全面的科学答案。该研究明确了多模态信号融合是提升检测精度的核心趋势，有望改变传统依赖主观访谈的诊断模式，为心理健康监测带来新视角。
智能速览
多模态生理信号融合检测焦虑的准确率高达81.98%。
心电图（ECG）是单模态信号中最稳健、最可靠的数据源。
心率变异性（HRV）是反映焦虑状态的关键黄金指标。
当前研究普遍面临样本量小、人群代表性不足的挑战。
未来需构建“监测-预警-干预”的数字心理健康闭环。
精华内容
当可穿戴设备成为我们身体的延伸，它捕捉的信号不再只是数据，而是情绪的密码。这项系统综述正是破译密码的关键尝试，其结论为未来的技术发展指明了方向。
融合优势
研究最核心的发现是，整合多种生理信号（如心电图、皮肤电等）的多模态方法，其汇总准确率达到81.98%，显著高于仅使用单一信号的方法（76.98%）。数据表明，单一信号各有局限，而多模态融合通过信息互补，能更全面地描绘出焦虑时的生理反应图谱，是从实验室走向可靠应用的关键路径。
心电为王
在所有单一生理信号中，心电图（ECG）凭借80.43%的汇总准确率脱颖而出，成为最可靠的“单兵”。其优越性主要源于能高保真地提取心率变异性（HRV）特征，而HRV是反映自主神经系统平衡的黄金指标，直接关联着焦虑时的交感神经激活状态。相比之下，呼吸信号（RSP）虽然个别研究表现优异，但汇总准确率最低且波动大，稳定性不足。
特征解码
要准确识别焦虑，关键在于提取正确的生理特征。研究梳理了各类信号的核心指标：ECG和PPG信号中，平均心率、RMSSD（相邻心跳差值的均方根）、SDNN（全部心跳周期的标准差）等HRV特征最受关注；EDA信号则聚焦皮电反应峰值幅度，直接反映交感神经唤醒水平；呼吸信号则更关注平均吸呼比等节律特征。这些特征是算法识别焦虑的基石。
现实挑战
尽管前景光明，但该领域仍处于早期阶段。研究通过对现有文献的质量评估发现，“人群代表性”、“样本量”和“结果可重复性”是三大重灾区。多数研究样本量小且同质性强，且未公开代码或数据，严重制约了结论的可靠性与泛化能力。从实验室里的高精度模型，到手腕上可靠的日常工具，仍有不小的鸿沟需要跨越。
可穿戴设备利用多模态信号解码焦虑已展现出明确的科学可行性，其核心价值在于提供了客观、连续的数字生物标志物。要将此潜力转化为普惠的临床工具或大众健康产品，亟需大规模临床验证、算法鲁棒性提升以及跨学科合作。在不远的将来，手腕上的设备或将成为我们守护心理健康的“第六感”。
