基于卷积自编码器与聚类的可穿戴数据驱动精神障碍患者复发预测研究

本研究针对精神障碍患者复发预测难题，创新性采用卷积自编码器(CAE)和聚类算法分析长期可穿戴设备采集的生理信号（HRV、活动数据等），通过个性化建模实现复发事件检测（PR-AUC=0.716）。研究首次证实睡眠期数据对复发预测更具价值，为数字表型(Digital Phenotyping)在精神健康领域的应用提供新范式。

　　

精神障碍患者面临高达40%的复发率，即使规范治疗仍难以避免症状反复。传统依赖主观评估的预测方式存在滞后性，而可穿戴设备采集的生理信号虽能提供客观指标，却面临数据量大、模式复杂等分析挑战。更棘手的是，患者个体差异显著，通用模型效果有限，且既往研究多忽略睡眠-觉醒周期对生物标志物的影响。

约翰霍普金斯大学医学院的研究团队在《Scientific Reports》发表论文，提出基于卷积自编码器(CAE)和聚类的个性化预测框架。该研究利用e-Prevention挑战赛提供的2.5年纵向数据（10名患者2699天记录），通过提取睡眠/觉醒期心率变异性(HRV)和活动特征，构建患者特异性模型，首次系统验证睡眠数据对复发检测的优越性。

关键技术包括：1) 从三星Gear S3智能手表获取分钟级生理信号（RR间期、加速度等）；2) 采用2D卷积自编码器提取4小时时间窗的潜在特征；3) 基于k-means/GMM聚类区分复发模式；4) 分层分析睡眠与觉醒期数据差异。实验设计涵盖8种训练-聚类组合策略，通过PR-AUC/ROC-AUC和谐均值评估性能。

结果部分
数据特征：数据集包含560次复发事件与2139个非复发日，患者诊断涵盖双相障碍伴精神病性特征（4例）、精神分裂症（2例）等。预处理中采用线性插补处理≤3小时缺失数据，并提取12项5分钟间隔特征（如SDNN、RMSSD）。

模型性能：睡眠期CAE训练+睡眠聚类方案（实验7）表现最优，PR-AUC达0.716，显著优于SPGC基线（0.651）。觉醒期数据预测效能下降（谐均值0.580 vs 0.672），证实睡眠期生物标志物更具区分度。

特征分析：KS检验显示睡眠期RR间期在复发与非复发组差异显著（759±89 vs 683±17 ms, p<0.01），而觉醒期无统计学差异。用户特异性模式明显，如User_01睡眠期线性加速度可区分复发状态（0.14±0.04 vs 0.18±0.04 m/s²）。

不确定性评估：五轮随机种子测试显示CAE重建误差稳定（MSE=0.043-0.088），PR-AUC标准差≤0.138，验证方法鲁棒性。User_07和User_09因高复发比例（764%和771%）获得最佳预测精度（PR-AUC>0.8）。

讨论与意义
该研究突破性地将无监督学习引入精神障碍复发预测，首次量化证明睡眠期生理信号的预测价值。通过个性化建模策略，克服了患者异质性难题，其CAE框架可捕捉传统统计方法难以识别的多维时间模式。局限性包括样本量小（10例）和未区分精神病性/非精神病性复发亚型，但为2024年SPGC细分研究奠定基础。

这项成果标志着数字精神健康的重大进展：通过非侵入式可穿戴设备实现持续监测，有望建立客观复发预警系统。未来整合用药记录、环境因素后，该框架可扩展至抑郁症等疾病，推动精准精神病学实践。正如作者April Yujie Yan团队强调，这是"迈向个性化预防性护理的关键一步"，为改善患者生活质量提供全新技术路径。