《Internet Interventions》：Forecasting stress transitions using ecological momentary assessment data and machine learning
编辑推荐：
压力与多种负面效应相关，包括睡眠不足、学习和记忆能力下降以及心理健康状况恶化风险升高。鉴于这些影响，探索有效的压力管理与干预策略至关重要。一种极具前景的方法是使用生态瞬时评估（EMA），它允许研究人员在自然环境中测量个体的实时体验，为提供即时适应性干预（JIT
压力与多种负面效应相关，包括睡眠不足、学习和记忆能力下降以及心理健康状况恶化风险升高。鉴于这些影响，探索有效的压力管理与干预策略至关重要。一种极具前景的方法是使用生态瞬时评估（EMA），它允许研究人员在自然环境中测量个体的实时体验，为提供即时适应性干预（JITAI）提供有价值的数据。机器学习（ML）可以通过预测压力相关情绪状态进一步增强 JITAI，从而实现主动干预，防止压力水平升高。本研究聚焦于利用大型心理健康项目的数据来预测压力转变。在该项目中，EMA 数据从欧洲不同的脆弱目标群体（包括青年、老年人、移民和低社会经济地位个体）中收集。研究人员将预测任务构建为一个二分类问题：基于个体的压力分布，预测从正常压力到高压力的转变，或正常压力的稳定性。这种方法简化了任务，支持个性化预测，并能提供可操作的见解，因为预测高压力可以直接触发支持。研究结果表明，机器学习模型能够预测压力转变（ROC-AUC = 0.70，而随机分类器为 0.50），尽管预测向高压力的转变比识别稳定的正常压力更具挑战性。基于所有人群组合数据训练的模型与基于单个群体数据训练的模型表现相当。此外，跨国评估表明，特定人群的模型在大多数人群中具有良好的泛化能力。
研究背景与意义
压力是日常生活中普遍存在的心理状态，长期或过度的压力会对个体的身心健康产生深远的负面影响，包括睡眠障碍、认知功能受损以及增加患焦虑症、抑郁症等精神疾病的风险。因此，开发有效的压力监测与管理策略具有重要的公共卫生意义。近年来，移动健康（mHealth）技术的发展为心理健康数据的收集与干预提供了新的途径。其中，生态瞬时评估（EMA）通过在自然环境中重复采样个体的行为与体验，成为捕捉动态心理状态的理想工具。结合即时适应性干预（JITAI）框架，EMA 数据可用于指导个性化干预的时机与内容。然而，现有研究多集中于预测当前的压力水平或基于预设阈值进行分类，对于预测未来压力状态转变以预防压力升高的前瞻性研究相对不足，且模型的跨人群适用性也有待验证。为此，来自阿姆斯特丹自由大学等机构的研究人员开展了一项研究，旨在通过机器学习技术，基于 EMA 数据预测个体从正常压力向高压力的转变，为未来的预防性干预提供决策支持。
关键技术方法
本研究的数据来源于 RECONNECTED 项目，该项目在欧洲多个国家招募了包括青年、老年人、移民和低社会经济地位人群在内的 2291 名参与者，收集了其为期两周的 EMA 数据。研究人员将预测任务定义为二分类问题，即预测个体下一时刻的压力状态是保持稳定（正常压力）还是发生转变（正常压力转变为高压力）。为实现个性化预测，研究采用了基于个体过去 7 天压力分布的滚动中位数作为个性化阈值，而非统一的固定阈值。特征工程方面，研究人员从 EMA 时间序列中提取了均值、中位数、标准差、滞后值及其差异等多种统计量。模型训练采用了 XGBoost、随机森林和逻辑回归三种算法，并通过 5 折分层交叉验证进行超参数调优。为评估模型性能，研究采用了 ROC-AUC、精确率、召回率和准确率等指标，并与随机基线模型进行了对比。此外，研究还进行了消融实验，探讨了减少 EMA 条目以降低参与者负担的可行性，并评估了模型在不同时间段和不同个性化压力阈值下的表现。
研究结果
4.1 数据集统计
经过预处理，最终数据集包含来自 1958 名参与者的 41885 个时间点。分析显示，不同国家人群的过渡至高压力的比例存在差异，例如荷兰和瑞士的老年人群体过渡比例较低，而英国的非西方移民群体过渡比例最高。压力值的组内相关系数（ICC）为 0.44，表明 44% 的压力变异源于个体间差异，56% 源于个体内变异，证实了压力状态的个体内波动性。地板效应分析显示，仅有 12.0% 的参与者超过 80% 的时间选择了最低压力选项，表明整体数据不存在严重的响应偏差。
4.2 合并国家数据的模型性能：全 EMA 与仅压力 EMA 对比
在所有国家合并数据上训练的机器学习模型中，XGBoost 模型表现最佳，其测试集 ROC-AUC 达到 0.70。值得注意的是，仅使用单一压力 EMA 问题（“此刻我感到压力”）训练的特征模型，与使用所有 EMA 问题训练的特征模型性能相当（ROC-AUC 均为 0.70）。这表明，仅通过追踪个体的压力水平即可实现有效的压力转变预测，从而在不牺牲预测精度的前提下显著降低参与者的应答负担。
4.3 不同时段与个人压力阈值的性能
模型性能在一天中的不同预测时段保持相对稳定，仅在早晨第一个时段的预测性能略有下降，这可能与缺乏前一天的完整数据有关。在不同个人压力阈值下，阈值为 1 的预测准确性最高（ROC-AUC 最高），而随着阈值升高，预测性能有所下降，这可能与高阈值样本量较少有关。
4.4 全局模型与国家特定模型的性能
对比发现，基于所有国家训练数据构建的全局模型，其性能略优于针对单个国家训练的特定模型。这表明更大的数据集有助于模型学习更鲁棒的模式，且全局模型在不同国家间表现出良好的稳定性，具备跨人群部署的潜力。
4.5 国家特定模型的迁移性
将在一个国家训练的模型应用于另一个国家数据进行测试时，研究发现跨国家、跨人群的部署并未导致性能显著下降。在某些情况下，模型甚至在他国数据上表现更好，这可能归因于单国训练数据量较小。特别地，瑞士与荷兰的老年人群体之间表现出极强的模型迁移性，这可能源于两者在平均压力水平和压力转变比例上的相似性。
4.6 可解释性
通过 SHAP 特征重要性分析，研究人员发现“过去两天的压力升高比例”是影响模型预测的最关键特征。较高的该特征值会增加模型预测压力转变的概率。此外，“过去七天压力转变比例的标准差”也对预测结果有重要贡献，表明近期的压力历史及其波动性是预测未来压力转变的核心依据。
讨论与结论
本研究证实了利用 EMA 数据和机器学习预测正常压力向高压力转变的可行性，最佳模型的 ROC-AUC 达到 0.70，显著优于随机分类器。研究结果表明，全局模型在跨人群泛化方面表现出色，且仅需单一压力条目即可实现高效预测，这为减轻参与者负担提供了有力证据。SHAP 分析揭示了近期压力经历的历史依赖性，即过去的压力状态具有自相关性。然而，研究也指出了当前模型的局限性，例如在识别高压力转变时的召回率（0.38）和精确率（0.34）仍有提升空间，且研究周期较短（两周），未能考察更长期的预测效果。此外，数据缺失机制（假设为随机缺失）和实际干预效果的验证也是未来需要关注的方向。总体而言，该研究为基于 EMA 的个性化压力管理系统的开发奠定了重要基础，未来的研究应致力于在真实世界的实验研究中验证此类预测算法在改善个体幸福感方面的实际效用。
