编辑推荐：
本文通过系统回顾文献，从计算机科学视角探讨心理健康数字表型（Digital Phenotyping）中的数据分析。研究分析 5422 篇文章，筛选出 74 篇。发现该领域研究热度上升，当前依赖自我报告测量，且常用传统机器学习（ML）技术分析数据。
引言
心理健康是一项基本人权，对全球公众的健康和福祉有着深远影响。据估算，到 2030 年，全球心理健康问题所带来的经济负担，涵盖经济生产力损失、直接医疗费用以及预防措施成本等，将高达 6 万亿美元。世界卫生组织（WHO）发布的《2013 - 2030 年心理健康行动计划》旨在通过预防策略改善心理健康服务，其中就包括将心理健康纳入常规健康信息系统。良好的心理健康有助于人们保持高效的工作状态、积极参与社会活动，并更好地应对日常生活中的压力。
抑郁症是危害极大且普遍存在的精神障碍之一，全球约有 2.8 亿人受其困扰。WHO 预测，到 2030 年，抑郁症将成为疾病负担的主要诱因。此外，焦虑症和双相情感障碍也是全球范围内导致精神健康残疾的重要因素。双相情感障碍不仅会增加身体共病的风险，还会造成功能损害、提高死亡率和自杀率，使患者的预期寿命缩短 8 - 12 年。未经治疗或治疗不充分的精神疾病是导致自杀的主要原因，而自杀又是全球主要死因之一，2019 年全球约有 70.3 万人自杀身亡。
抑郁症、焦虑症和双相情感障碍属于与焦虑、抑郁、情绪及创伤相关的疾病类别。这类疾病主要涉及情感和情绪方面，与认知行为疗法中由功能失调性思维所引导的行为密切相关，有别于脑损伤或脑发育相关的疾病。
人的行为往往能反映出精神疾病的症状。个人和可穿戴设备借助被动传感器收集人类行为数据，实现对个体的远程监测，有助于及时发现心理因素的实时变化。通过智能手机、可穿戴设备和其他数字平台收集和分析个体数据的过程，就是 “数字表型”。数字表型指基于智能手机和其他个人数字设备的数据，对人类表型进行频繁、持续的原位测量。数字表型不仅能识别健康状况，还将数字数据纳入健康分析，丰富了传统疾病诊断方式。这些数字数据包含个人层面收集的信息以及个体所处环境的相关信息，也被称为 “数字生物标志物” 。
多源数据构成的数字表型为先进数据分析在改善心理健康诊断方面提供了可能。机器学习（ML）作为分析这些数据的有效策略，有助于揭示数据与个体行为之间的关系。利用数字表型数据训练 ML 模型，有望更精准、快速地诊断心理健康问题。在获得患者同意后，基于大量数据的分析能够为心理健康专业人员提供支持，改善患者就医体验并降低成本。
随着智能手机、智能手表和健身追踪器等可穿戴设备的广泛普及，数字表型方法受到越来越多的关注。近年来，智能手机用户数量持续增长，预计到 2029 年将达到 64 亿。这些设备内置的传感器为数字表型应用提供了便利，使个体行为的持续分析成为现实。本文通过系统文献综述，从计算机科学的角度探讨心理健康数字表型中的数据分析，旨在通过明确的方法回顾文献，研究设计方面的 10 个问题，涵盖志愿者特征、数据类型、数据库、数据收集设备以及数据分析技术等。
据了解，这是首次以全面、易懂的方式系统回顾心理健康数字表型数据分析文献的研究，重点关注焦虑、抑郁、情绪和创伤相关的疾病，以及情绪、压力和自杀等相关症状和后果。本研究的贡献在于：一是梳理该研究主题的应用领域，明确研究的技术、数据和设备等；二是概述分析数字表型数据所采用的数据分析技术；三是识别当前研究面临的挑战、机遇以及未来研究方向，推动心理健康数字表型研究走向更成熟的阶段。
文章后续内容安排如下：第 2 部分介绍相关研究；第 3 部分阐述文献综述所采用的方法；第 4 部分展示研究结果，回答研究问题；第 5 部分讨论研究结果和局限性，并总结研究过程中的经验教训；第 6 部分给出研究结论和未来研究方向。
相关工作
近年来，数字表型研究备受关注。在筛选文献的过程中，除了本综述所选文章外，还发现了一些相关综述文章，它们对这一研究主题进行了总结。由于本综述的重点在于分析提出的模型和工具，而非其他综述，因此在筛选过程中排除了这些研究。尽管如此，为了将相关研究与本系统综述进行对比，仍在本节中介绍筛选过程中发现的相关工作。
材料和方法
本文采用的方法与 Heckler 等人相似，遵循 Kitchenham 等人提出的系统综述方法，对基于数据的心理健康数字表型进行广泛的文献回顾。研究聚焦于焦虑、抑郁、情绪和创伤相关的疾病，同时考虑情绪、压力和自杀等相关症状和后果。系统文献综述旨在总结现有研究成果，通过全面、系统的文献检索和筛选，确保研究的科学性和可靠性。
结果
表 4 列出了通过质量分析过程（第 5 阶段）的 92 篇文章，首先按年份排序，然后按字母顺序排列。该表展示了文章的 ID、参考文献、质量问题的答案以及每篇文章的最终得分。如前所述，选择文章的截止分数为 4 分，得分 3 分及以下的文章被排除。参考文献旁的星号表示该文章在质量分析中被拒绝。
讨论
近年来，心理健康数字表型研究成为热门话题，尤其是在焦虑、抑郁、情绪和创伤相关疾病及其症状和后果方面。这得益于移动设备和传感器的广泛普及，以及人工智能（AI）和机器学习（ML）技术的强大分析潜力，这些技术日益受到关注。整合这些技术是创建心理健康自动化系统的重要策略。
结论
本研究对焦虑、抑郁、情绪和创伤相关精神障碍，以及情绪、压力和自杀等相关症状和后果的数字表型进行了系统文献综述。从 10 个学术数据库中的 5422 项研究初步筛选后，最终确定了 74 篇文章。分析这些文章发现，近年来数字表型研究的关注度呈上升趋势，主要原因是智能手机和可穿戴设备的广泛应用。当前研究方法仍高度依赖心理健康状况的自我报告测量，但已有利用智能手机进行被动数据收集的趋势。传统机器学习技术是分析大量收集数据的主要方法。总体而言，已发表的研究在数据分析方面投入较多精力，为开发辅助精神障碍患者的资源提供了机遇。
