Los enfoques basados en el aprendizaje profundo para el reconocimiento automático de la depresión ofrecen ventajas de bajo costo y alta eficiencia. Sin embargo, los síntomas de la depresión son difíciles de detectar y varían significativamente entre individuos. Los métodos tradicionales de aprendizaje profundo a menudo luchan por capturar y modelar estas características matizadas de manera efectiva, lo que lleva a una menor precisión en el reconocimiento. Este documento presenta un novedoso método de reconocimiento de depresión multimodal, HYNMDR, que utiliza hipergráficos para representar las complejas relaciones de alto orden entre pacientes con depresión. HYNMDR consta de dos componentes principales: un módulo de incrustación temporal y un módulo de clasificación de hipergráficos. El módulo de incrustación temporal emplea una red convolucional temporal y una función de pérdida de muestreo negativo basada en la distancia euclidiana para extraer incrustaciones de características de datos de series temporales unimodales y multimodales a largo plazo. Para capturar las formas únicas en las que la depresión puede manifestarse en ciertos elementos de características, el módulo de clasificación de hipergráficos introduce un método de construcción de hiperbordes basado en segmentación de umbrales. Este método es el primer intento de aplicar redes neuronales de hipergráficos al reconocimiento de la depresión multimodal. Las evaluaciones experimentales en los conjuntos de datos DAIC-WOZ y E-DAIC demuestran que HYNMDR supera a los métodos existentes en el monitoreo automático de la depresión, logrando un puntaje F1 del 91,1% y una precisión del 94,0%.