《Discover Public Health》：An AI integrated IoMT approach for modern psychological health
编辑推荐：
人工智能（Artificial Intelligence，AI）迅速改变着众多行业，其在心理健康领域的介入也不例外。AI具有巨大潜力，可改变当前心理健康服务的提供方式；然而，任何部署都必须考虑伦理考量和责任感。这一进程需在着眼于未来的同时，克服现有瓶颈，以利用
人工智能（Artificial Intelligence，AI）迅速改变着众多行业，其在心理健康领域的介入也不例外。AI具有巨大潜力，可改变当前心理健康服务的提供方式；然而，任何部署都必须考虑伦理考量和责任感。这一进程需在着眼于未来的同时，克服现有瓶颈，以利用AI在医疗物联网（Internet of Medical Things，IoMT）中的潜力，在可及性、有效性和完整性方面扩展和改善心理健康服务——对个人和社会均有益。本文简要调研了人类当前面临的心理压力挑战，尤其是当代青少年群体的压力。在当今时代，心理健康比财富更为重要，因此提出了一种基于智能与医疗物联网融合的方法，有助于在早期阶段识别压力和风险。借助智能设备中的传感器理解健康信息，通过AI与IoMT的集成方法研究个体并确定其压力水平。此外，采用随机森林（Random Forests）对心理风险进行分类和预测。所提模型旨在协助增强安全性并支持预防措施，以克服心理问题，帮助个体过上幸福愉快的生活，并借助先进技术促进与降低死亡风险相关的干预。所提框架使用所考虑的数据集进行评估，表明其在识别实时风险场景方面的潜在适用性。随机森林模型被评估用于分类和预测与潜在健康风险相关的压力水平。结果表明，该方法可能提供支持压力监测和更广泛健康倡议的见解。
**论文解读文章**
**研究背景、问题及研究意义**
心理健康障碍已成为全球公共卫生的主要负担，世界卫生组织指出，抑郁症已成为全球致残的主要原因之一。传统心理健康服务依赖面对面咨询和治疗性干预，但面对日益增长的需求，这些方法在可及性、成本效益和可扩展性方面日益不足。现有基础设施压力巨大，迫切需要创新方法。人工智能（AI）的快速发展为心理健康领域带来变革潜力，其在早期诊断、个性化治疗和虚拟治疗师等方面展现出前景。然而，AI的部署面临伦理问题（如数据隐私、算法偏见）和监管挑战。同时，医疗物联网（IoMT）通过可穿戴设备和智能手机传感器实现生理数据的连续监测，为压力识别提供了新途径。本研究针对当代青少年群体面临的心理压力挑战，提出一种集成AI与IoMT的方法，旨在早期识别压力和心理风险，支持预防性干预，从而降低死亡风险并促进社会福祉。该研究发表在《Discover Public Health》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：1）利用智能手机内置传感器（如摄像头、麦克风、加速度计、GPS、光传感器）被动或主动采集心率、心率变异性、呼吸参数、活动模式、睡眠数据和语音特征等生理与行为数据；2）结合电话记录、短信模式和应用程序使用情况等手机使用信息，构建用户的数字行为画像；3）采用随机森林（Random Forests）分类器作为集成学习方法，处理多变量非线性关系并减少过拟合，对心理健康风险进行分类和预测。研究使用合成数据集（2000条记录，模拟行为和心理健康指标），不涉及真实人类参与者，未收集可识别个人数据。
**研究结果**
**5.1 监测心血管健康**：利用智能手机摄像头和闪光灯获取光电容积描记图（PPG）信号，通过分析脉冲间隔或主导频率估算心率和心率变异性（HRV），可替代传统心电图（ECG）。高压力通常与较低的HRV相关。
**5.2 肺部健康监测**：通过智能手机麦克风捕获用力呼气声音，发送至云服务器进行声音分析，估算呼吸参数（如肺功能指标）。混合模型（随机森林+决策树）预测的四项关键肺功能参数中位误差约8%。
**5.3 心理健康评估**：利用智能手机传感器（GPS、加速度计、麦克风、光传感器）和手机使用数据（通话、短信、应用使用）被动采集数据，构建数字行为画像，用于评估社会焦虑、情绪和日常压力水平。研究显示压力水平与睡眠时长、白天活动量相关。
**5.4 活动与睡眠监测系统**：通过加速度计评估步态、关节功能和日常活动（包括睡眠模式），用于早期检测肌肉骨骼或神经疾病、睡眠障碍、跌倒风险，并辅助康复。
**5.5 心理疾病早期检测**：AI系统利用大规模数据评估个体遗传风险、既往治疗结果、行为模式和实时生物信号，构建个性化治疗框架。随机森林模型基于决策树集成预测心理状态，将压力水平分类为低、中、高风险。特征重要性分析显示焦虑水平、压力、睡眠时长和抑郁水平是主导因素；体力活动和屏幕时间也具显著影响。模型使用80%训练、20%测试，并采用5折交叉验证。混淆矩阵显示模型正确分类了大多数个体，仅在高中风险间有少量误分类。评估指标（精确率、准确率、召回率、F1分数、ROC曲线）显示所有风险类别的AUC均高于0.90，表明分类高效。
**讨论与结论**
讨论部分指出，压力是身心对日常挑战的自然反应，可通过传感器技术感知生理变化。以往研究在实验室环境中达到高准确率，但实时监测精度较低；随着可穿戴设备进步，现实场景中生理数据捕获更可靠。结合AI辅助IoMT框架为解决心理问题提供了可行方案。所提框架可预测个体风险水平，帮助克服压力、抑郁和焦虑，并设计个性化方案实现更低压力水平下的幸福生活。研究结论表明：所提模型初步证明了机器学习技术与IoMT融合能显著改善心理健康评估并支持预防性医疗系统，为未来智能医疗应用奠定基础，旨在提升心理福祉并构建可持续的健康社区。未来工作可集成自动面部检测以理解情绪状态，并需临床证据在大规模人群中验证结果。
