基于多模态移动表型数据的严重精神疾病患者负性情绪个性化预测研究

这篇研究通过智能手机传感器和腕戴设备长期采集多模态数据（GPS、加速度计等），结合个性化集成机器学习算法（PEM），实现了对严重精神疾病（SMI）患者负性情绪（如焦虑、孤独）的实时预测（AUC 0.72-0.79）。研究强调GPS变量为最显著预测特征，并揭示个体间行为-情绪关联的异质性，为开发精准化数字干预提供了新思路。

　　

摘要

负性情绪加剧是严重精神疾病（SMI）的核心特征。研究利用智能手机内置传感器（如加速度计、GPS）和腕戴设备（GENEActiv）持续采集68名SMI患者的行为数据（平均465天），结合每日情绪调查（共12,959次），开发了新型个性化集成机器学习算法（PEM）。结果显示，PEM模型（尤其是随机森林算法）预测负性情绪的效能显著优于传统统计方法（GLMER），其中孤独感的预测AUC最高（0.79）。GPS衍生的移动半径、居家时间等特征最具预测力，但个体间存在显著异质性，凸显个性化建模的必要性。

引言

SMI患者常经历持续数小时的负性情绪（如悲伤、愤怒）。智能手机普及率超90%，其被动传感数据（如活动量、通讯模式）为实时情绪监测提供了可能。既往研究多基于短期数据（数天至数周），且未充分探索跨个体信息共享的优化策略。本研究通过长达1年的多模态数据采集，首次在SMI群体中验证了集成机器学习算法的优势，并引入腕戴设备数据以补充手机传感的局限性。

方法

样本与流程：70名SMI患者（情感或精神病性障碍）完成日均200次情绪评分，通过Beiwe应用收集手机传感数据，31人同步佩戴腕戴设备。
关键指标：

• 结局：每日焦虑、易怒、沮丧、孤独评分（1-4分），定义高于个体均值0.5分为高负性情绪（HNA）。
• 预测变量：GPS（移动半径、居家时间）、手机使用（屏幕时长）、加速度计（活动量）及腕戴设备睡眠参数。
  分析：

1. 采用多重插补处理缺失数据。
2. 对比GLMER与四种PEM算法（ENet、SVM、RF及三者组合PDEM），通过10折交叉验证评估性能。
3. 基于特征重要性进行K-medoids聚类，识别患者亚组。

结果

预测效能：PDEM综合表现最佳，孤独感预测AUC达0.79（灵敏度0.74，特异度0.70）。随机森林（RF）为关键贡献算法（图1）。
关键特征：GPS变量（如移动半径）整体预测力最强，但与焦虑的活动量关联存在个体差异——49%患者呈正相关，51%负相关（图2）。
模型优化：PEM通过跨个体信息加权（非对角线权重占比30-70%）较纯个体模型（IM）提升AUC 0.05（图3）。

讨论

研究证实被动传感数据可无创预测SMI患者的情绪波动，为即时数字干预（如触发正念练习）奠定基础。GPS数据的普适性提示移动模式可作为情绪标志物，而个体异质性呼吁“千人千模”策略。未来需扩大样本并整合社交数据以优化预测。

（注：全文严格依据原文数据及结论缩编，未新增观点。）