目前国内外市场上缺少面向学校、家庭、医疗机构、科研机构的进行安全、快速、准确精神疾病筛查的产品。此外，市面上的产品良莠不齐，监测手段单一，例如在一些强制性场合，可以佩戴电极帽，但在一些养老社区，老人的佩戴意愿不强，配合度不高，缺乏佩戴指导的前提下，接触式设备就不能满足市场需要。而通过毫米波雷达、视频的方式非接触式精准获得心电信号就成为主要选择。本项目的产品可以满足接触式、非接触式多种场合的需要，且将压力的形成过程与神经反馈的因果记录具有新颖的产品特征与功能。 在多模态信号的抑郁状态评价方法上，本项目针对当前主流提取脑电特征表现单一，且通过增加训练样本提高分类准确率效率不高，算法时间复杂度较高问题，通过研究 EEG-HRV 设计一种基于 EEG-HRV 的高性能的特征融合策略，充分考虑两种信号对抑郁状态的评价影响；针对当前小样本数量居多或者样本资源的不均衡问题，设计一种新颖的结合元学习与 GANs 的半监督学习模型，解决小样本数据训练导致的精度欠缺问题；针对目前临床试验反馈系统算法复杂、解析时间慢，算法单一精确度低的问题，提出一种高性能的混合神经网络作为半监督模型的分类器，降低网络模型的空间复杂度与模型训练的时间复杂度，解决实时反馈系统中的识别精度与算法复杂度的平衡问题，具有新颖的评价方法。