综述:多模态人工智能与在线学习在青少年心理健康领域的范围综述

《npj Mental Health Research》:Multimodal artificial intelligence and online learning in youth mental health: a scoping review

【字体: 大 中 小 】 时间:2026年04月19日 来源:npj Mental Health Research

编辑推荐:

  这篇范围综述系统梳理了近十年(2015-2024年)内人工智能(AI)在青少年心理健康(YMH)领域的研究应用现状,重点关注两大前沿趋势:多模态AI(整合生理信号、文本、传感器等多元数据)和在线学习(模型能随流式数据持续更新)。文章揭示该领域研究虽呈增长态势,但将多模态与在线学习结合用于YMH诊断、监测和治疗的研究仍相对有限,并指出了多模态数据可用性、伦理、计算成本等关键挑战。

  
在全球范围内,青少年心理健康(YMH)问题日益受到关注。世界卫生组织报告指出,相当比例的儿童和青少年存在心理健康问题,而新冠疫情后情况更为严峻。与此同时,人工智能(AI)在医疗健康领域的应用迅速扩展,为心理健康问题的分析、检测、预测和辅助干预带来了新的可能。
背景与定义
AI泛指机器模拟人类智能的能力,其中机器学习(ML)是让系统通过分析训练数据自动学习以解决特定任务的方法,而深度学习(DL)则是ML的一个子集,依赖于具有多层结构和大量参数的神经网络。本文中,“ML”特指决策树、支持向量机等经典机器学习算法,“DL”则指基于神经网络的深度学习方法。
多模态AI是指利用不同类型或来源的数据(如生理信号、脑图像、电子健康记录、社交媒体数据等)进行训练的模型,旨在提高准确性和泛化能力。然而,多模态方法不仅面临数据同质化、缺失值、金标准难以确定等单模态常见挑战,还需处理数据融合方式(早期、中期或晚期)、模型可解释性以及计算成本管理等额外难题。
在线学习则是一种利用顺序到达的数据流持续更新AI模型的方法。与通常在静态数据集上完成的离线训练不同,在线学习能使模型更高效、可扩展地适应现实世界不断变化的条件,这对于数据动态、异构且持续产生的YMH场景尤为重要。需注意区分在线学习与渐进学习(incremental learning),后者更广泛地指算法在有新训练数据时逐步更新模型。
本文定义的“青少年”群体年龄上限为25岁。这一阶段涉及神经生物、情感和社会发展的深刻变化,是多数终身心理健康障碍的起始窗口,也面临着独特的风险环境。
研究方法
本综述遵循系统评价和荟萃分析优先报告条目(PRISMA)指南,在多个学术数据库中检索了2015年1月至2024年2月发表的文献。检索策略围绕四个核心概念组合关键词:青少年心理健康、人工智能、传感器、在线学习。经过严格的筛选流程,最终有24项研究被纳入进行数据提取与分析。
主要研究发现
  1. 1.
    研究概况与趋势:在纳入的研究中,直接针对YMH问题的研究有19项。2015年至2024年间,相关出版物数量总体呈增长趋势,尤其在2022-2024年间发表较为集中。其中,5项研究应用了在线学习和单模态/多模态AI,5项使用了多模态AI但未实现在线学习,另有5项仅使用单模态AI且未实现在线学习。
  2. 2.
    关注的健康问题:研究主要聚焦于压力、情绪和抑郁的检测。所有涉及多种问题的研究都包括了压力检测,这可能源于压力与其他心理健康指标间的强关联。此外,也有研究关注认知表现、恐慌和网络欺凌。值得注意的是,当前研究更多集中于症状层面或风险状态的识别,而非针对明确临床疾病的诊断或干预。
  3. 3.
    数据类型:约一半的研究使用了生理信号,其中心脏信号(如心电图)最常用,其次是皮肤电活动、脑电信号、语音和眼动数据。文本数据也频繁出现,包括问卷、社交媒体帖子和访谈记录等。约四分之一的研究整合了传感器数据,如GPS、温度、智能手机使用情况等。此外,视频/图像(用于面部表情识别)甚至3D骨骼关节数据(用于步态分析)也有应用。
  4. 4.
    AI模型与技术:大多数研究采用了机器学习模型,特别是在未使用在线学习的单模态应用中,支持向量机、随机森林、决策树和梯度提升类模型较为常见。约三分之一的研究实施了深度学习模型,其中多数集成了在线学习,卷积神经网络和长短期记忆网络是主要架构。仅有少数研究结合了ML和DL方法。
  5. 5.
    多模态与在线学习的结合应用:尽管数量有限,但已有研究探索了结合多模态AI与在线学习的方法。例如,有研究应用在线迁移学习与卷积神经网络,基于WESAD等包含心电、皮肤电等信号的数据集进行压力分类,并展示了其在应对概念漂移和跨异构领域适应方面的潜力。另一项研究提出了基于分层多任务学习的分支深度学习模型,用于同步的压力分类和动态聚类,以处理达特茅斯StudentLife等数据集中的智能手机和可穿戴传感器数据,并旨在解决新用户的冷启动问题。
  6. 6.
    单模态在线学习应用:在单模态背景下,也有研究探索在线学习。例如,有框架利用WESAD数据集的用户特定皮肤电活动信号,先训练通用卷积神经网络模型,再通过增量学习针对个体用户进行个性化适配,以实现压力检测。另一项研究将在线学习应用于基于脑电图的情绪识别,在实时采集脑电信号时增量更新模型,结果显示在线学习比纯离线训练的模型在唤醒度和效价分类性能上有显著提升。
挑战与机遇
尽管在线学习(包括多模态和单模态场景)被报告能提升模型性能和对现实世界的适应能力,但该领域仍面临诸多挑战。首先,许多自称为在线学习的研究实际上更侧重于增量学习或个性化,而非真正的实时流式数据更新。其次,验证与评估实践大多依赖于交叉验证等离线策略,在模拟真实在线场景或进行跨数据集外部验证方面做得不够,这限制了对模型长期稳健性和泛化能力的评估。
更广泛的挑战还包括:多模态数据的可用性与长期有效性;某些数据库和研究缺乏参与者相关信息;从未成年人处收集数据涉及的伦理与实操困难;以及训练稳健AI模型所需的高昂计算成本。这些因素共同构成了将前沿AI方法转化为能够有效应对现实世界YMH挑战的实用工具的主要障碍。
结论
本范围综述表明,将多模态AI与在线学习相结合用于YMH问题是一个前景广阔但尚未充分探索的研究方向。现有工作主要集中在压力、情绪等症状的检测上,并证明了在线适应策略的潜力。然而,要推动该领域走向成熟,未来研究需要在真实世界部署、严格的在线评估、跨数据集验证以及应对伦理与计算挑战等方面付出更多努力。整合多维度动态数据并构建能够持续学习、演化的AI系统,对于开发下一代YMH预防、诊断和干预工具至关重要。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号