《Computers in Human Behavior Reports》：Evaluating Wearable-Derived Heart Rate, Sleep, and Activity for KSAT-Defined Problematic Smartphone Use: Window-Level versus Participant-Grouped Validation
编辑推荐：
本研究评估了多日可穿戴设备衍生的活动、睡眠与心率轨迹能否判别重复测量的KSAT定义的问题性智能手机使用（PSU）状态，并明确对比了窗口级验证与参与者分组验证两种框架。原始的重叠窗口框架产生了较高的表观判别性能（AUC约0.97）。然而，在采用仅基于训练集预处理
本研究评估了多日可穿戴设备衍生的活动、睡眠与心率轨迹能否判别重复测量的KSAT定义的问题性智能手机使用（PSU）状态，并明确对比了窗口级验证与参与者分组验证两种框架。原始的重叠窗口框架产生了较高的表观判别性能（AUC约0.97）。然而，在采用仅基于训练集预处理的参与者分组评估中，双向长短期记忆网络（Bi-LSTM）、逻辑回归、随机森林及单向LSTM敏感性分析均显示判别能力有限且不确定；所有AUC的95%置信区间均包含0.50，平均精度（AP）接近阳性类别患病率。因此，主要发现具有方法学意义：当同一参与者的重复窗口被混合分配到不同分区时表现出的强劲性能，可能无法推广至未见过的参与者。可解释人工智能（XAI）方法仅用于描述拟合Bi-LSTM内的时间与方向性特征归因，不应被解释为因果机制、生物标志物或临床阈值。
研究背景方面，智能手机的广泛使用使问题性智能手机使用（Problematic Smartphone Use, PSU）成为行为健康研究的重要议题，尤其在青少年和年轻成人群体中。PSU一般指对智能手机使用控制受损、功能干扰以及尽管有负面后果仍持续使用，其并非DSM-5中的独立诊断，ICD-11游戏障碍也特指游戏而非广泛的智能手机使用，因此本研究将PSU视为维度性行为构念而非正式确立的诊断。PSU的患病率估计因人群、工具和截断值差异而存在较大异质性。既往研究表明PSU与较差的睡眠及不良心理健康结局相关，包括抑郁、焦虑和自杀意念。干预研究证据仍呈异质性。在评估方面，自我报告对于定义行为构念至关重要，但可能与记录的数字媒体使用存在差异，并可能受回忆和报告需求影响。数字表型（digital phenotyping）提供了补充框架，可将近距离采集的纵向传感器数据加入心理测量评估。然而，大多数既往研究依赖横断面分析、自我报告指标或有限的时间分辨率。核心方法学问题在于：短期可穿戴轨迹是否包含关于心理测量学定义的PSU的信息，且该信息能否超越参与者特异性规律而具有泛化性。研究人员因此区分了两个验证问题：探索性窗口级判别考察重复可穿戴窗口是否在观察队列内区分KSAT定义的PSU与非PSU观测；参与者分组泛化性考察当每位评估参与者的所有观测均从模型开发和预处理中排除时，判别性能是否持续。后者提供了更恰当的队列内未见参与者性能检验。研究提出四个假设：H1，多日可穿戴衍生的身体活动、睡眠和心率模式将在队列内显示与KSAT定义的PSU状态的关联；H2，较低身体活动和较大睡眠紊乱将贡献于较高的模型估计PSU可能性，心率贡献方向因既往发现不一致而作为探索性处理；H3，特征归因将在20天序列内的不同位置变化，支持考察时间性而非单日模式；H4，若可穿戴衍生关联超越参与者特异性规律而泛化，则在参与者分组评估下判别性能应保持高于随机水平。
在技术方法方面，研究招募了2021年入学台湾中部一所综合性大学的一年级本科生参与基于应用程序的行为干预研究，最终85名参与者（35名男性、50名女性）完成六个月研究并提供足够完整的可穿戴衍生生理和活动数据，其中79人贡献了至少一个合格的20天序列，产生1,512个重复建模窗口（353个PSU标记和1,159个非PSU标记），这些窗口源自149个不同的参与者-评估单元（35个PSU阳性）。参与者完成Ko's Smartphone Addiction Test（KSAT），以KSAT评分≥5作为预设的二分类PSU标签。参与者持续佩戴Xiaomi Mi Band 6采集每日生理和活动数据，包括分钟级心率、设备衍生睡眠阶段估计（深睡时长、浅睡时长、入睡后觉醒WASO、入睡时间、醒来时间）和身体活动（步数、步行距离、跑步距离、消耗卡路里）。预处理包括每日完整性筛查、活动期间心率样本移除、时段覆盖检查、静息心率（RHR）计算（任意30分钟滚动窗口的最低平均心率），最终每位参与者每日贡献13个生理/行为特征加性别共14个特征。数值特征使用稳健标准化（Robust Scaling；中位数中心化和四分位距缩放）。模型为三层双向长短期记忆网络（Bi-LSTM），隐藏层大小128，dropout为0.30，使用RMSprop优化器，学习率1×10
-4，权重衰减1×10
-4，梯度范数裁剪至1.0，L1惩罚1×10
-5，批次大小32，最大200轮，早停 patience 30轮，使用CosineAnnealingWarmRestarts学习率调度器（T_0=10, T_mult=1），非对称加权Huber损失（delta=0.35，假阴性基础权重7.0，假阳性基础权重1.2，gamma=2.0，beta=1.0）。窗口级分析采用随机60%/20%/20%分区，仅训练集进行三倍阳性类过采样；参与者分组分析采用五折StratifiedGroupKFold，以参与者ID为分组变量，外层测试参与者完全排除于模型拟合和预处理之外，内层四折参与者分组划分提供验证参与者，预处理参数仅基于训练参与者拟合。比较模型包括逻辑回归（liblinear求解器，C=1.0，max_iter=2000）和随机森林（500棵树，max_features="sqrt"），将20×14序列展平为280个预测变量。预测从同一参与者和评估时间点的窗口取平均，产生一个参与者-评估分数，以149个参与者-评估单元作为主要统计推断水平。95%置信区间通过1,000次参与者聚类bootstrap重采样估计。此外进行架构简化敏感性分析，将Bi-LSTM替换为标准单向三层LSTM。可解释人工智能（XAI）方面，使用SHapley Additive exPlanations（SHAP）量化拟合Bi-LSTM内的相对特征贡献，使用Integrated Gradients（IG）估计20天序列内的特征-时间归因。软件环境为Python 3.9.23、Scikit-learn 1.6.1、CUDA 12.9、PyTorch 2.8、SHAP 0.44.1。
研究结果方面，在参与者特征部分，97名初始入组学生中85名完成研究，基线描述显示PSU组与非PSU组在浅睡时长（256.10±70.22 vs 285.39±53.82分钟，p=.032）和WASO（17.47±18.11 vs 10.45±10.28分钟，p=.026）上存在显著差异，其余特征无显著差异。这些描述性比较仅用于表征队列，并非主要推断分析。在模型性能跨验证框架比较部分，探索性队列内窗口级判别显示，在随机窗口级分区下，代表性分割的准确率=.95、F1=.90、AUC=.97、AP=.90；窗口级k折交叉验证准确率=.91±.04、F1=.83±.06、AUC=.97±.01、AP=.88；100次重复随机窗口级分割准确率=.94±.02、F1=.88±.04、AUC=.97±.01，表明较高的探索性队列内窗口级判别性能，但由于未分离参与者身份且缩放先于分区拟合，这些指标可能乐观，不应解释为无泄漏的未见参与者性能估计。参与者分组泛化性和基线比较显示，参与者分组评估显著削弱了表观判别性能：在参与者-评估水平，Bi-LSTM的AUC=.479（95%CI .355-.610）、AP=.244（95%CI .141-.438）、F1=.203（95%CI .038-.366）；逻辑回归AUC=.378（.253-.512）、AP=.226（.132-.352）、F1=.139（.027-.267）；随机森林产生数值最高的AUC=.563（.444-.689）、AP=.247（.157-.384），但在固定.50概率阈值下F1=.000，因为未识别出真阳性参与者-评估。所有AUC置信区间均包含.50，AP值接近观察到的阳性类患病率（35/149=.235），提供很少的强参与者分离判别证据。单向LSTM敏感性分析产生AUC=.545（95%CI .429-.659）、AP=.259（.172-.392）、F1=.323（.196-.449）。各模型类别的折特异性AUC在留出参与者组间变化显著，表明对队列组成敏感。随机森林仅在汇总AUC上超过单向LSTM .018，而单向LSTM具有更高的阈值基础F1。未预设配对模型优越性检验，因此这些数值差异不被解释为某一模型确定优越的证据。总体而言，参与者独立判别能力弱，复杂循环建模未实质性优于简单比较模型，H4未获支持。在时间贡献模式（Integrated Gradients）部分，IG热图显示归因在序列内不均匀分布：身体活动指标倾向于在20天窗口的较早位置获得更大归因，而睡眠和心率特征倾向于在较晚位置获得更大归因。这些发现描述了拟合模型决策过程中的时间结构，应解释为假设生成性。在可解释人工智能结果（SHAP分析）部分，全局SHAP摘要图显示14个特征的有符号贡献分布，重复窗口级运行的探索性SHAP分析显示模型输出在样本特异性范围附近变化：每日消耗卡路里（约105.9 kcal）、每日最低心率（约49 bpm）、浅睡时长（约306.3分钟）和WASO（约39.6分钟）。这些数值是拟合模型中观察到的描述性过渡范围，并非生理阈值，不指示高于或低于这些点的值具有临床正常或异常意义，不建立PSU风险的因果变化，不应用于诊断、筛查、预后或干预决策。在参数调优和窗口级敏感性部分，在三倍过采样条件下，窗口级精确率和召回率获得有利平衡；KSAT阈值从0到9变化的探索性敏感性分析显示，模型指标在预设KSAT≥5阈值附近最高，但由于替代目标定义使用同一队列检验，该分析不能独立验证、恢复或确立临床截断值，KSAT≥5阈值作为先验目标定义保留。
讨论部分总结如下。本研究评估了多日可穿戴衍生的活动、睡眠和心率轨迹能否判别重复KSAT定义的PSU状态，并明确对比了窗口级与参与者分组验证。原始重叠窗口框架产生较高表观判别性能（AUC约.97），然而在采用仅训练集预处理的参与者分组评估中，Bi-LSTM、逻辑回归、随机森林和单向LSTM敏感性分析均显示判别能力有限且不确定，每个AUC置信区间均包含.50，AP值接近阳性类患病率。因此，主要发现具有方法学意义：当同一参与者的重复窗口被混合分配到不同分区时表现出的强劲性能，可能无法推广至留出参与者。在验证设计、模型复杂性和泛化性方面，LSTM网络设计用于捕获长程时间依赖关系，双向扩展整合序列两个方向的信息。最具意义的结果是验证框架之间的对比。在原始随机窗口级框架中，同一参与者的重叠观测可能出现在开发和评估分区中，且缩放先于分区拟合，Bi-LSTM达到AUC约.97。在采用仅训练集预处理的参与者分组评估下，固定Bi-LSTM产生AUC=.479，逻辑回归.378，随机森林.563，单向LSTM敏感性.545，所有置信区间跨越.50。这些结果不支持可靠的参与者分离判别或循环建模的优越性。由于固定Bi-LSTM配置继承自原始开发分析而非通过完全嵌套分组调优选择，分组估计本身应视为谨慎的队列内泛化性估计而非确定性外部验证结果。随机森林不应仅因汇总AUC点估计数值最高而被解释为成功或明显优越的模型，其AUC仅比单向LSTM高.018，不确定性区间宽，且在固定.50概率阈值下未识别出真阳性参与者-评估（F1=0）。相反，单向LSTM获得更高的阈值基础F1但AUC与随机兼容。有限的参与者数量和阳性参与者-评估单元、个体间异质性以及强于跨人的个体特异性时间规律可能均贡献于弱分组性能。这些发现强调，在从小型行为健康队列生成重叠窗口时，需要参与者分离验证和简单比较模型。在探索性时间归因模式方面，模型归因在20天序列内的不同位置变化，这一模式与强调个体内时间变化的数字表型方法一致。然而，由于高判别模型在具有重复参与者观测的窗口级框架下评估，归因模式应解释为对该拟合队列内模型的描述，而非时间结构将泛化至未见个体的证据。IG将相对更大的模型重要性归于20天窗口较早位置的活动相关特征和较晚位置的睡眠和心率特征，一种可能解释是不同可穿戴域在拟合序列内的不同位置贡献不同，但这一解释仍属推测性：IG识别拟合模型如何使用输入，不建立从行为位移到生理失调的时间因果进程。行为成瘾框架如I-PACE为生成关于行为、情感、认知和自我调节之间相互作用的假设提供了有用背景，但本研究数据未直接测量所提出的认知或情感机制，因此不能确认I-PACE过程序列。序列内非均匀归因表明时间位置可能包含单日摘要中不可见的信息，但本研究未确立时间序列建模在参与者独立验证下优于静态聚合方法，因此该解释仍为暂定性。尽管若干可穿戴衍生变量相关，拟合模型为其分配了不同的时间归因模式，提示活动、睡眠和心率信息在拟合模型内可能存在互补性，但不建立不同的临床角色或参与者独立预测价值。在心理测量目标定义的敏感性方面，KSAT≥5阈值在既往心理测量工作中确立，探索性敏感性分析显示窗口级模型指标在本队列中也在该阈值附近最高，但由于阈值分析使用同一数据集且KSAT本身定义目标，该发现不应解释为心理测量截断值的独立验证或生理数据重现诊断边界的证据，而是表明模型行为对心理测量结局的操作化方式敏感。在可解释人工智能的启示方面，XAI分析识别了拟合窗口级Bi-LSTM内与模型估计PSU可能性变化相关的样本特异性特征范围。SHAP和IG应解释为拟合模型行为的解释而非潜在生物学的解释。这一警示尤为重要，因为高判别窗口级模型在分组评估下未证明稳健的参与者独立有效性，其归因因此不能假定代表稳定的跨参与者生理特征。特别是消耗卡路里、最低心率、浅睡时长和WASO的数值范围并非临床有意义的生理阈值、生物标志物或治疗目标。这些模式有助于生成假设，但需独立重复验证后方可进行任何临床或生理解释。在身体活动方面，拟合模型内较高身体活动测量倾向于与较低模型估计PSU可能性相关，与观察性和干预文献广泛一致，但本研究不能确定活动减少是先于PSU、由PSU导致还是反映共享第三因素。行为位移解释是既往观察性工作中智能手机成瘾与身体活动负相关的一种可能解释，但该机制应使用客观智能手机使用日志和时间分辨活动数据直接检验而非仅从模型归因推断。在睡眠方面，既往工作一致地将PSU与较差睡眠质量联系，而特定客观测量睡眠参数的证据更多变。在本模型中，较短的浅睡时长和较大的WASO贡献于较高的模型估计PSU可能性，这些是拟合模型的归因模式，并非特定睡眠时长或WASO值临床异常或构成PSU阈值的证据。由于消费级可穿戴设备的睡眠分期不如多导睡眠图精确，这些发现应解释为设备衍生、模型依赖的睡眠模式而非特定睡眠架构改变的证据。与某些多导睡眠图发现的差异可能反映设备测量特征、样本差异或真实异质性。本研究数据不支持深睡提前以浅睡为代价的机制性主张。在心率方面，PSU和智能手机/手机使用研究中的心率发现存在异质性，取决于测量情境、活动状态和分析策略。在本拟合模型中，较低的每日最低心率贡献于较高的模型估计PSU可能性，探索性SHAP过渡约在49 bpm。该值是样本和模型特异性的：它不是生理异常阈值、诊断截断值、自主神经功能障碍的验证标志物或应指导临床决策的值。几种解释是可能的：较低最低心率可能反映身体健康、睡眠状态、个体自主神经差异、测量伪差或未测量混杂。尽管同一数据集中较低活动和能量消耗使简单的健康解释不那么明显，但本研究未测量心肺健康，因此不能排除。低唤醒和刺激寻求理论为未来假设检验提供了可能框架，奖励/执行控制理论可能提供额外概念背景。然而，本研究未测量心率变异性（HRV）、交感/副交感活动、多巴胺功能、感觉寻求或执行控制。因此，自主神经低唤醒、奖励缺陷和前额叶控制受损不应仅从最低心率推断。关键实证观察因此仅限于多日可穿戴序列内涉及每日最低心率的模型归因。未来研究应包括医学级心电图或验证的HRV测量、健康评估和重复心理测量，以确定任何提出的心理生理机制是否能解释该关联。因此，心率轨迹可能值得作为多模态数字表型的一个组成部分进一步研究，但本研究结果最好视为探索性和假设生成性的，而非特定自主神经脆弱性机制的证据。在局限性和未来方向方面，本研究为概念验证研究，若干局限性对解释至关重要。第一，质量控制后仅保留来自单一大学的85名参与者，79人贡献至少一个合格20天建模序列，参与者分组评估仅包含149个参与者-评估单元，其中35个PSU阳性。窗口级性能估计来自重复重叠分区，同一参与者的观测可能同时出现在开发集和评估集中，且该框架中缩放先于窗口分区拟合，这些设计特征可能夸大表观性能。与这一担忧一致，采用仅训练集预处理的参与者分组分析显著削弱了判别性能，所有模型AUC置信区间包含0.50，折特异性性能变化。更广泛地，这些发现与既往移动健康研究一致，强调缺失数据处理、个体内与个体间结构以及个体间异质性可显著影响模型解释和泛化性。因此，约0.97的AUC仅解释为探索性队列内窗口级判别，而非参与者独立预测有效性。第二，所有参与者均入组基于应用程序的行为干预研究，排除活跃T1阶段减少直接污染但不能去除长期干预携带效应，因此结果描述的是干预暴露队列而非未治疗自然史。第三，KSAT评估过去一年的行为，而模型使用20天可穿戴窗口，造成传感器和问卷时间尺度之间的不匹配，滚动窗口框架因此不作为严格发病预测设计呈现。序列审计还识别出362个跨越T2/T3分析期边界的窗口和149个包含与一个以上智能手机使用评分相关天数的窗口；参与者分组解决了身份泄漏但未消除这一时间映射局限性。第四，Xiaomi Mi Band是消费级设备，最低心率或设备衍生睡眠阶段不能替代医学级心电图/HRV或多导睡眠图。最后，SHAP和IG解释模型行为而非因果机制或临床生理学。消耗卡路里、最低心率、浅睡和WASO的表观数值过渡范围是样本特异性模型输出，不得解释为生物标志物、生理参考值、诊断阈值或治疗目标。这些局限性使外部重复验证和预设参与者级验证在任何临床应用之前至关重要。在理论和实践意义方面，本研究说明了将重复可穿戴测量与心理测量评估整合的潜力和局限。窗口级分析显示多日信号可编码强队列内规律，但参与者分组评估未确立对留出个体的稳健泛化。因此，本研究结果不支持临床早期预警系统、个体化干预决策或循环神经网络较非序列模型增加预测价值的主张。最清晰的实践意义是方法学的：未来数字表型研究应预设参与者级分离、在训练折内拟合所有预处理、纳入简约基线比较模型、使传感器窗口与结局评估紧密对齐，并在参与者水平量化不确定性。
研究结论部分翻译如下：通过将可穿戴衍生的活动、睡眠和心率数据与序列感知建模和XAI整合，本研究展示了表观性能可在多大程度上取决于验证设计。重叠窗口框架下的高窗口级判别在参与者分组评估下未能持续，且没有模型显示明确的参与者分离优越性。因此，SHAP和IG发现应被视为拟合模型行为的假设生成性描述，而非生物标志物、因果机制或临床阈值。本研究的主要贡献在于表明严格的参与者级验证可实质性改变从高密度可穿戴时间序列数据中得出的结论。在支持预后或临床主张之前，需要更大的独立队列、时间匹配的结局和预设的参与者分离验证。
