综述：基于传感器的技术用于检测老年人非自愿孤独：系统综述

《Sensors》：Sensor-Based Technologies for the Detection of Unwanted Loneliness in Older Adults: A Systematic Review María Mercedes Párraga Vico, Juana María Morcillo Martínez, Juan F. Gaitán-Guerrero, Juan Luis Herreros Bódalo, Macarena Espinilla Estévez and Juan Carlos Cuevas Martínez

　　

背景：老年人的非自愿孤独和社会隔离是公共健康问题，对身心健康有负面影响。常规的自评问卷评估工具在连续和客观地捕捉这些现象方面存在局限性。目的：研究人员旨在批判性分析近期关于被动传感器技术（passive sensor technologies）结合人工智能（artificial intelligence, AI）用于检测老年人非自愿孤独和社会隔离的科学证据。方法：研究在数据库（PubMed, Scopus, Web of Science 和 IEEE Xplore）中检索了使用可穿戴设备、居家环境传感器、智能手机和多模态融合（multimodal fusion）方法的研究。本系统综述遵循 PRISMA 2020（Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020）指南进行。结果：被动监测衍生的行为变量，如移动性、离家时间、睡眠模式和数字互动，与孤独和社会隔离的测量之间存在一致关联。同样，基于多数据源组合的人工智能模型比单模态方法显示出更好的预测性能。结论：基于传感器的技术可以补充传统评估方法，但其实际应用需要克服方法学验证、用户接受度和伦理考量方面的挑战。

根据论文内容，主体部分包括材料与方法、结果和讨论，各小节总结如下：

**2. 材料与方法（Materials and Methods）**
**2.1 研究设计（Study Design）**：本系统综述遵循 PRISMA 2020（Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020）指南进行报告，但未注册。目标是综合现有关于基于传感器技术检测老年人非自愿孤独和社会隔离的文献。该领域具有新兴和跨学科性质，结合了工程学、人工智能（artificial intelligence, AI）和健康科学，且可用研究的方法学异质性较大。

**2.2 研究筛选过程（Study Selection Process）**：筛选过程分三阶段进行。首先，两名评审员（MMPV 和 JFGG）独立根据纳入标准筛选标题和摘要，分歧通过共识或咨询第三位评审员（MEE）解决。其次，检索并独立评估潜在合格文章的全文。最后，手动筛选纳入研究的参考文献以识别额外相关记录。使用 Zotero 7.0.32（64-bit）自动检测重复并手动确认。

**2.3 检索策略与信息来源（Search Strategy and Information Sources）**：在 PubMed、Scopus、Web of Science 和 IEEE Xplore 数据库中检索，这些数据库覆盖生物医学、技术和工程文献。检索范围限定于 2017 年 1 月至 2025 年 2 月发表的文章，该时期与被动监测和智能家居方法应用于老龄化领域的兴起相吻合。使用了关键词组合和受控术语，涵盖孤独、社会隔离、非自愿孤独；老年人、老年人口；传感器、可穿戴设备、智能家居、环境辅助生活（Ambient Assisted Living, AAL）、被动感应；机器学习（machine learning）、人工智能（artificial intelligence, AI）、数字表型（digital phenotyping）。术语根据每个数据库的特定语法调整，使用布尔运算符（AND, OR）组合概念。检索于 2025 年 10 月至 2025 年 12 月进行。完整的检索字符串见附录 A。根据 PRISMA 2020 指南展示了文献检索和筛选流程，共识别 950 条记录，其中 250 条重复；筛选 700 条标题和摘要后排除 580 条；评估 120 篇全文的合格性，排除 63 篇（25 篇无传感器数据、18 篇人群错误、12 篇综述、8 篇无可测量结局），最终纳入 57 项研究。

**2.4 数据提取与综合（Data Extraction and Synthesis）**：从每项纳入研究中提取以下信息：作者及发表年份、样本量及人群特征（如社区居住、养老院、临床状况）、研究环境（如居家、实验室、人群基础）、传感器技术类型（如可穿戴设备、环境传感器、智能手机）、从传感器数据中提取的行为或数字标记、目标构念（孤独或社会隔离）、预测模型或分析方法、验证方法（如交叉验证、留出法、外部验证）以及主要性能指标（如准确率、AUC、相关系数）。数据提取由两名评审员（MMPV 和 JFGG）独立进行，分歧通过讨论或咨询第三位评审员（MEE）解决。由于纳入研究异质性较大，采用结构化叙述性综合，按传感器类型、行为标记和分析方法组织结果，见第 3 节。

**2.5 偏倚风险评估（Risk of Bias Assessment）**：由于纳入研究的异质性和本综述的探索性，未使用标准化工具进行正式偏倚风险评估。但在第 3.6 节中对研究局限性（如样本量、验证策略）进行了叙述性总结。

**2.6 纳入标准与研究选择（Eligibility Criteria and Study Selection）**：纳入标准如下：（1）研究对象为老年人（≥60 岁）；（2）使用被动检测技术（可穿戴设备、环境传感器、智能手机）；（3）旨在检测、预测或关联孤独或社会隔离；（4）呈现可分析的技术有效性或实用性的定量或定性结果。排除仅基于自我报告的研究、系统综述、观点文章、无验证结果的研究及主要关注点非孤独/隔离的研究。使用 Zotero 软件整理和管理文章。表 1 显示了详细的纳入标准。

**3. 结果（Results）**
**3.1 传感器与监测平台（Sensors and Monitoring Platforms）**：可穿戴设备和智能手机可追踪身体活动、位置、电话和应用程序使用、心率和睡眠模式；智能家居环境传感器（如运动探测器、门磁、床垫传感器、温湿度监测器和家电使用情况）可提供额外行为背景。新式智能纺织品集成于服装或家具中，旨在提供舒适连续的监测。文献显示，可穿戴设备、环境传感器和移动平台的使用日益增多，用于监测与社会隔离和孤独相关的行为和生理变量。表 2 列出了主要传感器类型、测量变量及应用实例。表 3 对各传感器类别的优势与局限性进行了批判性评估，强调其在孤独和社会隔离检测中的适用性和方法学限制。比较分析表明，被动感应技术具有高生态效度但可解释性有限，可穿戴和智能手机方法提供更丰富的多模态数据但存在可用性和隐私问题。音视频和生理感应方法仍受伦理、技术和部署挑战制约。未来研究应优先关注多模态传感器融合、可解释人工智能（explainable AI, XAI）模型以及在真实环境中的纵向验证。

**3.2 传感器衍生的行为标记与预测模型（Sensor-Derived Behavioral Markers and Predictive Models for Loneliness and Social Isolation）**：基于传感器测量的变量，文献识别出多种与孤独和社会隔离相关的行为标记，包括离家时间、室内位置模式、午睡、移动性降低和睡眠紊乱，这些已整合到预测模型中。电话和电脑使用频率以及社交拜访频率也被纳入不同建模方法。研究报告的性能指标从中等到较高不等，取决于传感器类型、行为标记和模型。例如，基于被动红外（Passive Infrared, PIR）传感器和门磁的智能家居系统与 UCLA（University of California, Los Angeles）孤独量表得分相关（r ≈ 0.48），多传感器平台利用床传感器和环境参数实现了 R2 ≈ 0.86。但多数高性能指标是在受控或半受控研究环境和小样本中获得的，其泛化性有待验证。某些传感器标记与客观社会隔离的概念一致性更高（如离家时间、外出频率、拜访次数），而另一些标记（如睡眠碎片化、移动性变异、言语中的语言特征）则与主观孤独体验相关，但关联机制尚需进一步验证。为反映主观孤独与客观社会隔离的概念区分，综述将研究分为两个表格：表 4 包含使用验证自评量表预测孤独的研究，表 5 关注客观社会隔离。

**3.3 多模态数据融合与人工智能方法（Multimodal Data Fusion and Artificial Intelligence Approaches）**：使用机器学习（machine learning, ML）技术结合多种传感器数据可构建更稳健的孤独检测预测模型。移动和可穿戴传感器（包括加速度计、心率监测器、睡眠追踪器、全球导航卫星系统（Global Navigation Satellite System, GNSS）定位和智能手机使用日志）广泛用于通过被动和个性化检测方法推断情绪、压力、抑郁、焦虑和日常功能。在受控或半受控环境中，基于多模态生物信号的压力和情感分类准确率常超过 90%。融合异构传感器模态（可穿戴设备、环境传感器和智能手机）被认为比单传感器方法更能提高预测鲁棒性。多模态融合技术已应用于活动识别、心血管风险评估以及老年人认知和移动性结局预测，集成模型和梯度提升模型在研究环境中与临床参考评估显示出中等到高的相关性。图 3 展示了本综述识别的基于传感器的人工智能（Artificial Intelligence, AI）景观分类概况，将四类传感器（环境、可穿戴、智能手机、音视频）与三类人工智能模型家族（传统机器学习、深度学习、自然语言处理（Natural Language Processing, NLP））相对照，并附有来自 57 项纳入研究的代表性应用。传统机器学习算法（如随机森林、梯度提升、支持向量机）因其可解释性和对传感器提取的表格数据性能良好而最常用；深度学习方法（如多层感知器和卷积神经网络）用于原始传感器数据，可自动学习特征但需更大数据集且可解释性差；自然语言处理（Natural Language Processing, NLP）技术用于分析访谈和语言特征，能洞察主观体验但需跨语言和文化的验证。然而，尚无大规模系统研究直接比较单模态与多模态方法在老年人孤独检测中的效果，现有证据仍属初步。

**3.4 数字表型在老年人群中的应用（Digital Phenotyping Applications in Older Adult Populations）**：数字表型（digital phenotyping）在纳入研究中主要用于连续评估老年人的身体活动、移动性、睡眠、认知和情绪，使用可穿戴设备、智能手机和居家检测系统。多项研究证明了使用全球导航卫星系统（GNSS）定位和可穿戴设备对社区居住老年人（包括轻度认知障碍（Mild Cognitive Impairment, MCI）或早期痴呆患者）进行长期监测的可行性和可接受性。从传感器数据衍生的移动性和生活空间特征与认知功能、身体表现和抑郁症状存在一致关联，这些变量与社会隔离和心理社会脆弱性密切相关。便携设备获得的睡眠碎片化和效率等指标与社会脆弱老年人的日常抑郁症状波动相关。此外，多传感器居家系统结合人工智能（artificial intelligence, AI）技术已在研究环境中展示出区分正常衰老、轻度认知障碍（MCI）和早期痴呆的潜力，实现了高分类性能。表 6 展示了衰老维度、传感器、衍生变量和相关发现。

**3.5 从传感器数据推断社会与情境行为（Inferring Social and Contextual Behavior from Sensor Data）**：除个体健康指标外，基于人工智能（AI）的传感器数据分析越来越多地用于推断社会与情境行为。计算机视觉、智能手机传感器和可穿戴设备数据可量化社交互动、社交性和生活空间，包括由全球导航卫星系统（GNSS）衍生的社区参与、电话通信模式和环境感应。经典和深度学习方法均能识别互动模式、日常例行活动和行为变化，但其泛化性和临床可靠性仍受限于小样本量、同质队列和研究间方法学选择的异质性。

**3.6 证据水平总结（Summary of Evidence Levels）**：根据方法学严谨性、样本量和验证策略，证据可分为三个层次。相对稳健的证据：基本行为标记（离家时间、移动模式、睡眠碎片化）与孤独或社会隔离的关联得到多项研究在不同人群和环境中的一致支持，并使用标准化工具（如 UCLA 孤独量表）验证，在社区居住老年人中呈现中度相关。有前景但初步的证据：多模态数据融合方法显示出提高预测性能的潜力，部分研究报告了 AUC > 0.85，但缺乏与单模态方法的直接比较，多数研究受限于小样本量（通常 n < 100）、缺乏外部验证和受控环境。探索性证据：新兴方法包括使用自然语言处理（Natural Language Processing, NLP）的语言分析、言语模式识别和针对认知障碍的数字表型，这些方法需要更大、更多样化的人群复制才能实现临床转化。由于数据集特征、评估指标、问题公式化和验证策略的实质性异质性，无法在研究之间进行直接性能比较，这凸显了对标准化基准和报告指南的需求。

**4. 讨论（Discussion）**
**4.1 主要发现综合（Synthesis of Principal Findings）**：本叙述性综述识别并组织了近期关于使用基于传感器技术和人工智能（Artificial Intelligence, AI）检测老年人非自愿孤独和社会隔离的证据。结果表明，存在三个主要技术组件在连续流中交互：（a）传感器平台（可穿戴设备、环境传感器和智能手机）收集原始数据；（b）从该数据衍生的行为和数字标记（移动性、睡眠、社交互动、居家模式、语言特征）；（c）机器学习（Machine Learning, ML）和多模态融合分析方法，将标记转化为预测或与验证孤独量表的相关性。文献趋于一致地指出，虽然自我报告仍然重要，但被动传感器提供了与孤独相关行为的客观、连续和情境化测量，克服了社会期望偏差和问卷的片段性等局限性。然而，该领域仍处于新兴阶段，研究方法学异质性大、样本量小、纵向验证有限。

**4.2 传感器技术与人工智能在孤独检测中的作用（The Role of Sensor Technologies and AI in Loneliness Detection）**：被动传感器能够捕获丰富的、多维的衰老数字表型。综述显示，离家时间减少、早晨活动性低、睡眠碎片化和电话沟通频率降低等标记与孤独得分存在一致但中度的关联。多模态数据融合（如结合可穿戴设备、环境传感器和智能手机数据）正成为提高模型鲁棒性和预测性能的关键策略。机器学习算法，特别是集成模型如随机森林和梯度提升，在建模数字标记与孤独/隔离构念之间的复杂关系方面显示出前景，部分研究报告了 AUC > 0.85。但多数研究在受控或半受控环境下进行，模型可解释性（“黑盒”问题）仍是临床接受度的挑战。

**4.3 被动感应的优势与当前局限（Advantages and Current Limitations of Passive Sensing）**：被动监测的主要优势在于能够客观、连续且不引人注目地捕获真实世界的行为动态，尤其适用于难以频繁自我报告或有认知障碍的人群。环境辅助生活（Ambient Assisted Living, AAL）系统已证明可从室内移动性和空间使用等指标推断隔离模式，并与标准化孤独量表显示出显著关联。多模态数据融合是提高预测鲁棒性的关键策略。然而，该领域仍处于早期阶段，受限于小样本量、方法异质、孤独与社会隔离定义不一致以及纵向验证不足。证据强度有限，多数研究基于小样本、短期随访且缺乏人群多样性。此外，隐私、数据安全及用户接受度（尤其是摄像头监测）是重要关切；老年人反应积极但对潜在误用和缺乏人际互动持谨慎态度。客观隔离标记与主观孤独体验之间的概念差异表明，传感器技术应作为传统评估的补充而非替代。

**4.4 伦理、隐私与用户接受度考量（Ethical, Privacy, and User Acceptance Considerations）**：定性研究和综述研究描述了与隐私、自主性和用户接受度相关的关切。表 7 总结了老年人对被动监测技术的主要伦理与隐私关切及接受条件。这些发现强调，任何被动传感器的实施都必须优先考虑系统信任、隐私和用户控制。设计应基于透明和以人为中心的伦理框架。边缘计算（edge computing）架构在物联网环境中的应用可增强隐私，通过本地处理原始信号并仅传输匿名化聚合特征。然而，匿名化技术并非万无一失，需通过持续技术和程序保障来应对模型反转攻击或元数据泄露等残余风险。音视频传感器尽管信息丰富，但始终被老年人视为比环境传感器更具侵入性。

**4.5 未来研究方向（Future Research Directions）**：为将该领域从有前景的原型推进到有影响力的实际应用，未来研究必须超越技术验证，转向结构化、多维度的议程。基于本综述识别的空白，表 8 将关键优先事项组织为五个相互关联的研究方向，区分短期目标（1-3 年）和长期目标（>5 年）。一个贯穿所有方向的总体优先事项是公平性，确保这些技术对不同人群（包括认知障碍者、低数字素养者、少数民族和社会经济弱势群体）可及且有效。

**4.6 本综述的局限性（Limitations of This Review）**：本综述存在若干局限性。第一，虽遵循 PRISMA 指南并进行系统检索，但未在 PROSPERO 等数据库注册。第二，研究在设计、样本量、传感器和结局测量方面存在实质性异质性，无法进行荟萃分析，仅采用叙述性综合。第三，排除非英语出版物和灰色文献可能引入语言或发表偏倚。第四，纳入研究的总体质量有限，多数依赖小样本且缺乏外部验证。最后，技术快速演进意味着尽管关注 2017–2025 年期间，但最新创新可能未被完全捕捉。