本研究旨在探索HRV的昼夜节律模式与抑郁障碍的相关性，并利用机器学习算法构建预测模型。

本研究纳入符合DSM-V抑郁障碍诊断标准且既往未曾服用抗抑郁药的抑郁障碍患者165名，同时纳入健康对照（Healthy controls, HCs）受试者60名。收集受试者的一般人口学资料、24小时长程动态心电图和心理学量表。使用MATLAB2023a将每5分钟RR间期的HRV指数分别拟合成一个余弦周期回归模型，并从中提取三个特征参数：中线平均值（Mean, M）、振幅（Amplitude, A）和顶峰时间（Acrophase, θ）。采用SPSS25.0进行U检验比较抑郁障碍与HCs的HRV指数，并进行多元线性回归分析抑郁症状与HRV昼夜节律参数 (M、A、θ) 的相关性，以P<0.05认为差异具有统计学意义。根据U检验和回归分析结果，挑选出有显著差异的指数用于机器学习模型构建，并采用SHAP算法和Delong检验筛选出重要的HRV特征参数。

162名抑郁障碍患者和58名HCs的动态心电数据被认为完整有效。1）抑郁障碍患者主要在夜间的HRV中相比HCs显示出显著差异，心率更高(P=0.021)，而SDNN(P=0.018)、RMSSD(P<0.001)、PNN50(P<0.001)、VLF(P = 0.025)、LF(P = 0.015) 更低。2）抑郁障碍患者相比HCs在SDNN(P<0.001)、RMSSD ( P<0.001)、PNN50(P<0.001)、VLF(P<0.001)、LF(P=0.005) 的参数M和RMSSD(P = 0.025)、HF(P = 0.047) 的参数A上显著降低，在VLF 的参数θ上有所延后 (P=0.046)。3）在多元线性回归分析中发现，RMSSD(β=0.005, P=0.024)、pNN50(β=0.011, P=0.028)、HF(β=0.010, P=0.008) 的参数M与抑郁严重程度显著相关。4）机器学习的最优模型为GBM（准确率0.823，召回率0.927，F1值0.884，曲线下面积0.868），并筛选出了12个最重要的HRV昼夜节律特征参数。

抑郁症状与心率变异性昼夜节律的部分特征参数显著相关，这些参数可能是反映抑郁障碍患者自主神经功能波动变化的敏感生物标志物。包含12个HRV特征参数的GBM模型可以较好地预测抑郁障碍。