智能手机数据揭示：时间特征在预测吸烟事件中的主导作用及其对戒烟干预的启示

本研究通过智能手机采集的时空数据，创新性地比较了时间与位置特征对吸烟行为的预测效能。研究人员采用DBSCAN、K-means等空间聚类技术和逻辑回归(LR)、随机森林(RF)等机器学习算法，发现时间特征（如96个15分钟时段）的预测贡献度显著高于地理位置（Macro-F1下降<1% vs. >10%），为降低隐私风险的JITAIs（Just-in-Time Adaptive Interventions）开发提供了关键依据。

　　

吸烟作为全球可预防疾病的首要死因之一，每年导致美国48万人死亡，尽管有尼古丁口香糖等辅助手段，但戒烟成功率仅8.8%。核心难点在于难以精准预测吸烟触发时机——这正是及时干预（JITAIs）的关键。传统研究多依赖生理指标或粗糙的GPS坐标，而明尼苏达大学的研究团队独辟蹊径，通过智能手机 passively（被动）采集的时空数据，首次系统评估了时间与位置特征的相对预测价值。

研究团队招募38名日均吸烟≥10支的参与者，通过定制APP PhysiAware收集两周内1784次吸烟事件及GPS轨迹。关键技术包括：1) 采用5-30分钟半时窗标记吸烟事件区间；2) 通过DBSCAN和K-means算法提取个性化空间聚类；3) 构建逻辑回归(LR)、随机森林(RF)和多层感知机(MLP)三类模型，以Macro-F1为核心指标评估特征重要性。

预测结果

模型在所有配置中呈现惊人一致性：排除时间特征导致Macro-F1骤降10-23个百分点（p<0.005），而移除位置特征仅损失0.3-1.2个百分点。RF模型在20分钟半时窗下达到峰值性能（87.98%），且时间特征的优越性在COVID-19期间/后分组分析中保持稳定。

时空关联分析

线性混合效应模型(LMMs)揭示，47.39%-81.9%的时间段与空间聚类显著相关，表明吸烟行为具有"何时何地"的高度习惯性，时间特征可能已隐含空间信息。

讨论与意义

这项发表于《npj Digital Medicine》的研究颠覆了传统认知：1) 时间特征（如午后3点）比"办公室吸烟区"等位置标签更具普适预测力；2) 仅依赖时间可简化JITAIs设计，规避GPS的隐私与耗电问题；3) 非线性的RF模型表现最佳，暗示吸烟触发存在复杂时间模式。局限性包括样本量较小(n=38)和GPS室内精度不足，未来可融合Wi-Fi指纹等增强空间分辨率。这项研究为"轻量化"戒烟干预提供了循证框架，尤其适合大规模公共卫生应用。