个性化算法在心理健康症状日常监测中的应用：基于AI与普适计算的JITAI开发基础研究

本研究针对心理健康干预的实时性与个性化需求，开发了基于智能手机和可穿戴设备的个性化机器学习模型。研究人员通过Colliga平台收集35个家庭60天的14万条多模态数据，发现个性化模型在检测11种情绪状态和家庭互动指标上显著优于通用模型（F1分数提升4-15%）。该研究为开发即时适应性干预（JITAI）系统提供了关键技术支撑，证实了考虑用户个体差异对提升数字心理健康干预效果的重要性。

　　

心理健康领域正面临双重挑战：传统心理治疗受限于时空约束，而新兴的数字健康技术又难以精准捕捉动态变化的心理状态。尽管人工智能(AI)和普适计算技术为心理健康监测带来了新机遇，但现有系统存在模型泛化性差、数据异质性高、用户参与度下降等瓶颈问题。特别是在家庭心理健康场景中，如何通过非侵入式方法实时检测冲突、压力等关键指标，成为开发有效干预措施的核心难题。

为突破这些限制，佛罗里达国际大学(Florida International University)的研究团队开展了一项开创性研究。他们设计了一套整合智能手机和智能手表的监测系统，通过Colliga应用收集了35个家庭（含36名照顾者）60天内的多维度数据，包括52种数据流约14万个数据点。研究重点比较了通用模型与个性化模型在检测11种心理健康指标（如快乐、悲伤、愤怒等情绪状态，以及亲子互动质量等家庭功能指标）上的性能差异。

该研究采用了三项关键技术方法：(1)多模态数据融合技术，整合来自智能手机（加速度计、GPS等）和可穿戴设备（Fitbit/Apple Watch的心率、睡眠等）的被动感知数据；(2)基于支持向量机(SVM)的窗口特征提取方法，以情绪自评报告为中心构建1小时特征窗口；(3)交叉验证策略，采用留一法和10折交叉验证分别评估通用模型和个性化模型性能。

【HO1：通用模型性能】研究发现通用模型仅对部分负面状态（如悲伤、冲突）具有中等检测能力（特异性0.68-0.96），但对积极情绪和细微互动变化的识别效果有限。这表明单一模型难以适应不同用户的症状表达模式。

【HO2：个性化模型优势】个性化模型展现出全面优势，在检测焦虑（敏感性提升23%）、压力（提升32%）等状态时表现突出。特别值得注意的是，对于临床干预关键的"攻击行为"检测，个性化模型F1分数达到0.45，而通用模型几乎完全失效。

【HO3：个体因素影响】深入分析揭示了三个关键规律：症状报告频率与模型敏感性呈正相关（b=0.92）；调查完成度与F1分数显著相关（b=0.16）；中等症状变异度的用户模型性能最优。这些发现为个性化算法设计提供了量化依据。

【HO4：特征集差异】通过互信息分析发现，不同心理状态对应最优特征集存在显著差异：睡眠特征对焦虑预测最重要（重要性0.17），而活动特征对压力检测最关键（重要性0.18）。这证实了"一刀切"的特征选择策略在心理健康监测中的局限性。

这项发表在《npj Mental Health Research》的研究具有多重意义：首先，证实了个性化算法在数字心理健康干预中的核心价值，其性能优势在资源有限家庭中尤为明显；其次，建立了多模态特征与特定心理状态的映射关系，为JITAI系统的触发逻辑设计提供了实证依据；最后，开发的技术框架支持跨设备部署，有助于解决数字医疗中的"设备碎片化"问题。研究也存在样本量较小、高风险人群覆盖不足等局限，未来需要扩大样本验证模型的临床适用性。总体而言，该研究为构建下一代自适应心理健康干预系统奠定了重要基础，标志着数字精神健康向"精准化"方向迈出了关键一步。