В статье представлена инновационная архитектура глубокого обучения под названием CastNet, предназначенная для автоматизированного обнаружения депрессивных состояний на основе анализа сигналов электроэнцефалограммы (ЭЭГ). Основная особенность модели заключается в использовании трехканальной обработки данных, что позволяет более эффективно извлекать пространственно-временные признаки из нейронной активности. Исследование фокусируется на проблеме кросс-субъектного анализа, стремясь обеспечить высокую точность диагностики даже при работе с данными новых пациентов, не участвовавших в обучении модели. Методология включает в себя специализированные слои для обработки сигналов ЭЭГ, что позволяет минимизировать индивидуальные различия между испытуемыми. Результаты демонстрируют превосходство CastNet над существующими методами классификации, подтверждая потенциал технологии для интеграции в системы цифровой психиатрии. Данная разработка имеет высокую клиническую значимость, так как может стать инструментом объективного мониторинга ментального здоровья и ранней диагностики депрессии.