CALYPSO

CALYPSO数据集是由法国里尔大学等机构设计的，旨在通过可穿戴设备监测的生理和行为信号进行非侵入性检测抑郁症亚型和症状学。该数据集包含血容量脉搏、皮肤电活动、体温和三轴向加速度等信号。通过这些信号，数据集能够为区分单极和双极抑郁症提供客观的生物标志物。

The CALYPSO dataset was developed by institutions including the University of Lille in France, aiming to non-invasively detect depression subtypes and symptomatology using physiological and behavioral signals monitored by wearable devices. This dataset includes signals such as blood volume pulse, electrodermal activity, body temperature and triaxial acceleration. With these signals, it can provide objective biomarkers for differentiating unipolar and bipolar depression.

搜集汇总

数据集介绍

构建方式

CALYPSO数据集通过法国里尔大学医院的多中心临床研究构建，采用严格伦理审查流程，招募40名符合DSM-5标准的严重抑郁症患者。数据采集使用Empatica E4腕带设备，同步记录血容量脉搏、皮肤电活动、三轴加速度和皮肤温度等生理信号，同时结合结构化临床访谈视频与汉密尔顿抑郁量表评估。通过5阶巴特沃斯低通滤波和NeuroKit2工具包进行信号预处理，最终保留31名受试者的有效数据，构建了首个专注于抑郁症亚型识别的可穿戴设备多模态数据库。

使用方法

研究者可采用分层交叉验证策略，利用scikit-learn库实现七种机器学习算法（MLP、XGBoost等）的基准测试。建议优先探索加速度计特征（ACCEnergy等）与温度特征（TEMP_range等）的组合，经网格搜索优化超参数后，多层感知器模型展现最佳性能（F1-score 94.12%）。对于临床转化研究，可重点分析运动不对称性（Symmetry_x-z）与皮肤电紧张成分的时序关联，这些特征对双相抑郁的躁期识别具有特异性指示作用。

背景与挑战

背景概述

CALYPSO数据集由法国里尔大学的研究团队于2025年推出，旨在通过可穿戴设备捕捉的生理和行为信号，解决抑郁症亚型分类的核心问题。该数据集专注于单相抑郁和双相抑郁的区分，填补了现有研究在抑郁症异质性识别上的空白。数据集包含血容量脉冲、皮肤电活动、体温和三轴加速度等多元信号，为精神健康领域提供了首个面向抑郁亚型检测的标准化基准。其创新性在于突破了传统主观评估的局限，通过客观连续监测推动精准医疗发展，对精神障碍的生理机制研究和个性化治疗策略具有重要价值。

当前挑战

CALYPSO数据集面临双重挑战：在领域问题层面，抑郁症亚型间生理信号差异细微，现有模型对高相似度特征（如单相与双相抑郁的HRV模式）的区分能力有限；在构建过程中，多模态数据同步采集存在技术难点，包括运动伪影对BVP信号的干扰、环境温湿度对EDA数据的影响，以及31例小样本量导致的模型泛化风险。此外，三轴加速度计数据的动态范围校准与温度传感器的时间漂移补偿，进一步增加了特征提取的复杂度。

常用场景

经典使用场景

CALYPSO数据集在精神健康领域的研究中扮演了重要角色，尤其是在抑郁症亚型分类方面。该数据集通过可穿戴设备（如Empatica E4腕带）收集生理和行为信号，包括血容量脉冲、皮肤电活动、体温和三轴加速度数据，为研究者提供了丰富的多模态数据。这些数据被广泛用于开发机器学习模型，以区分单相抑郁和双相抑郁，从而弥补传统主观评估方法的不足。数据集的高精度特征提取和标准化处理使其成为抑郁症亚型分类研究的黄金标准。

解决学术问题

CALYPSO数据集解决了抑郁症研究中长期存在的几个关键问题。首先，它通过客观、连续的生理和行为监测，减少了传统主观评估方法（如问卷调查）带来的偏差。其次，数据集首次将研究焦点从简单的“健康vs抑郁”二元分类扩展到抑郁症亚型的区分，尤其是单相抑郁和双相抑郁的鉴别。这一突破为理解抑郁症的异质性提供了新的视角，并为个性化治疗策略的开发奠定了基础。此外，数据集通过多模态信号（如HRV、EDA、ACC和TEMP）的整合，揭示了不同亚型抑郁症的独特生物标志物。

实际应用

CALYPSO数据集的实际应用场景主要集中在临床诊断和远程健康监测领域。在临床环境中，医生可以利用基于该数据集开发的机器学习模型，辅助诊断抑郁症亚型，从而提高诊断的准确性和效率。在远程健康监测方面，可穿戴设备结合CALYPSO数据集的特征提取方法，能够实现对患者生理和行为状态的实时监控，为早期干预和长期病情管理提供支持。此外，数据集还可用于心理健康应用程序的开发，帮助用户自我监测情绪状态并及时寻求专业帮助。

数据集最近研究

最新研究方向

近年来，抑郁症的客观监测与分类研究已成为精神健康领域的重要前沿方向。CALYPSO数据集的推出标志着可穿戴设备在抑郁症亚型识别中的应用迈入新阶段，其通过整合多模态生理行为信号（如血容量脉冲、皮肤电活动、体温及三轴加速度计数据），为区分单相与双相抑郁提供了创新性研究平台。当前研究热点聚焦于机器学习算法对可穿戴生物标志物的深度挖掘，其中加速度计衍生的运动特征以96.77%的准确率展现出显著鉴别优势，体温特征亦达到93.55%的判别效能。这一突破性进展不仅挑战了传统主观评估的局限性，更为建立基于生物标记物的抑郁症精准分型体系奠定了实证基础，对推动个体化治疗策略开发具有重要临床意义。

相关研究论文

• Wearable-Derived Behavioral and Physiological Biomarkers for Classifying Unipolar and Bipolar Depression Severity

  法国里尔大学，法国国家科学研究中心，里尔中央理工学院，法国电信研究院，UMR 9189 CRIStAL，F-59000里尔，法国 · 2025年