用于研究0–36个月婴儿自然行为的人工智能与移动感知技术：综合综述与研究规划

《Infant Behavior and Development》：Machine learning and mobile sensing for naturalistic infant behavior (0–36 months): A comprehensive review and research agenda

　　英德普里特·考尔|约格什·库马尔|南迪尼·莫迪
印度昌迪加尔商业管理学院计算机应用系，CGC兰德兰

摘要
随着移动和可穿戴传感技术以及计算建模的快速发展，如今能够在自然环境中对婴儿的实时行为进行高密度、连续性的监测。然而，发展科学在实际操作和方法论上仍难以有效捕捉、标注、整合并理解这些数据流，尤其是以具有普遍性和包容性的方式来处理它们。本文综述了当前用于研究0–36个月大婴儿在自然环境中的感知技术与机器学习方法的发展现状。内容涵盖：（i）感知技术；（ii）数据收集与标注方法；（iii）用于行为识别、预测和建模的机器学习方法；（iv）迈向筛查与早期干预的路径，同时重点探讨可行性、包容性及伦理问题。根据《系统评价和元分析首选报告项目规范》（PRISMA），本文对2015年至2025年间发表在Scopus、Web of Science、PubMed、IEEE Xplore、ACM等数据库中的相关文献进行了系统性回顾。纳入标准为研究对象为0–36个月的婴儿，研究场景为自然或自由流动的环境，且采用移动/可穿戴传感器、计算机视觉、信号处理或机器学习技术。研究还分析了传感器类型（如自我中心式与外部中心式摄像头和麦克风、惯性测量单元/活动监测器、生理传感器）、数据特征（时间分辨率、数据密度、持续时间）以及研究环境（家庭、诊所、社区）。由于自然运动行为在纳入研究中最为常见，因此本文重点关注这一领域；同时，也会根据实际情况简要介绍有关语言接触与 caregiver-婴儿互动、社会情感行为以及睡眠-觉醒调节等方面的感知与机器学习研究成果。此外，本文还探讨了各种机器学习范式（监督学习、半监督与弱监督学习、自监督学习、多模态学习、序列学习以及基于Transformer的学习方法）、验证策略以及论文报告质量。

引言
婴儿行为指生命最初3年（0–36个月）内的表现，是发展科学、临床心理学、儿科及神经科学领域的研究重点。这一阶段，婴儿在运动、沟通、社交、认知及调控等方面都会经历快速且受经验影响的有序变化。尽管不同儿童及不同环境下的发展模式存在差异，但技能发展的某些规律仍是可识别的，且发展模式与成熟度、经验及环境密切相关（Adolph和Hoch，2019；Arterberry和Bornstein，2025）。对行为变化的解读需结合年龄、环境以及多次观察结果，而且从发展角度来看，这些变化未必就是“轻微”的偏差（Koshiba和Kakei，2015；Adolph和Hoch，2019）。在自然环境中捕捉婴儿行为仍然面临诸多困难。常见的评估方法包括实验室实验、预先设定的发育评估、家长问卷调查以及简短的结构性观察。虽然这些方法已取得不少重要成果，但实验室环境可能不够真实，家长的报告可能存在回忆偏差，且时间分辨率也可能有限（De Los Reyes等人，2015；Cordovil等人，2015）。观察时间往往过短，无法捕捉行为随时间、不同照顾者及不同环境的变化，尤其是在婴儿进行进食、玩耍、休息或与照顾者互动等不同活动时。正是出于这些考虑，人们亟需开发出可扩展、客观且具有生态效度的研究方法，以便在自然环境中研究婴儿行为。得益于高密度传感与计算技术的进步，现在有了克服这些限制的新机遇。在日常活动中，通过可穿戴传感器、手机、智能玩具、录音设备、深度相机以及环境传感器，可以记录下婴儿的动作、姿势、活动状态、发声情况、与照顾者的互动、睡眠-觉醒模式以及周围环境信息（Petters和Beaudoin，2017；Adde等人，2016）。这些方法能够以足够精细的粒度进行长时间监测，且不会对少数被观察对象的正常行为造成显著干扰（McDonald等人，2017）。

本文的写作动机源于两个相互关联但又有所区别的局限性。首先，现有实证研究因多种原因而分散：不同研究的年龄范围、研究行为目标、研究环境、传感器配置、数据预处理方式、标注方法、结果定义及验证策略各不相同。这种多样性使得跨研究比较数据变得十分复杂（Bussu等人，2018；Booth等人，2019；Shin等人，2021；Bulgarelli和Bergelson，2020）。其次，现有的综述大多聚焦于某一特定的感知模式、技术方法、临床应用或单一行为领域，尤其是运动能力评估方面（Vijayan等人，2021；Deng等人，2025；Leo等人，2022；Chen等人，2016；Memon等人，2020）。本文旨在填补这一空白，通过整合自然环境中的婴儿感知与学习相关研究，并以实证工作的多样性作为核心研究问题，从而提供一种以行为为导向的综合分析。总体而言，本文将阐明哪些行为最适合当前的感知技术，机器学习技术在处理自然环境中的婴儿数据时面临的挑战，以及机器学习技术在补充而非取代现有发育评估方法方面的潜力（Abbas等人，2018）。此外，本文还会考虑到生态效度、包容性、透明度及伦理责任等问题。

本文对0–36个月大婴儿在自然环境中的机器学习与移动传感应用进行了综述，并提出了未来的研究方向。在纳入的研究中，运动行为是最为常见的研究领域，因此本文也主要围绕这一领域展开分析。根据现有的感知与机器学习研究成果，本文还适当介绍了语言接触与caregiver-婴儿互动、社会情感行为以及睡眠-觉醒调节等方面的内容。本文的目标是：（1）介绍用于捕捉、分析及应用各类感知模式、数据特征及机器学习方法的技术，这些技术主要用于研究自然环境中的运动行为，其次也用于研究其他相关行为领域；（2）将现有证据整合成一个概念框架，将目标行为与感知模式、计算流程以及发育变化联系起来；（3）明确这一新兴领域所面临的挑战、局限性及未来研究方向。本文特别聚焦于婴儿期及学步初期这一群体，因为这一群体在数字表型分析与移动健康相关讨论中往往被忽视，而他们的研究方法也有其独特性。本文的结构如下：第2部分总结了自然感知与计算分析所依赖的发育特征，包括快速发育变化、情境依赖性、部分可观测性，以及它们与机器学习的关联。第3部分介绍了以行为为导向的分析框架，将目标行为、感知模式、计算分析以及发育行为的解释联系起来。第4部分阐述了本文的综述方法，包括综述设计、信息来源、搜索策略、纳入标准、筛选与选择过程、数据提取方法，以及为何选择叙述性综合而非元分析。第5部分呈现了综述的发现，内容包括研究选择、研究趋势、代表性研究以及跨领域的证据映射。第6部分描述并分析了各种感知模式及记录环境，如可穿戴设备、运动感知、生理感知、基于视觉的感知、多模态感知、高密度数据的特征及其分析意义。第7部分探讨了自然环境中的婴儿行为的计算建模方法、数据的不完整性及变化性、时间分析、多模态分析、可解释性、整合挑战以及其与发育的关联。第8部分则分析了贯穿各领域的方法学、伦理、报告及转化问题，并提出了未来研究的优先方向。最后，第9部分总结了本文的主要发现及其意义。

片段摘录
**塑造自然感知与计算分析的发育特征**
自然感知只有在基于婴儿行为的发育特性而非现有设备的技术特性时，才能提供最有价值的信息。婴儿在生命最初的36个月内行为动态多变，极易受到社会及物质因素的影响，且无法仅通过某一个可观测指标来完全表征。这些特征决定了应采取何种测量方法、如何解读传感器获取的信息，以及如何设计、训练相关模型。

**以行为为导向的综述结构**
本文采用以行为为导向的分析思路，对自然环境中婴儿行为感知相关的各类文献进行系统梳理，从感知开始，经过分析，最终指向发育层面的解释。正如图1所示，综述过程始于特定的目标行为与发展现象，如运动活动、姿势、发声、与照顾者的互动、情绪调节以及睡眠-觉醒模式（Nguyen-Thai等人，2021）。

**材料与方法**
本部分介绍了系统性综述的设计，包括研究设计、信息来源、搜索策略、研究选择以及与自然环境中的婴儿行为感知相关的文献资料收集方法。

**研究的筛选与确定**
在Scopus、Web of Science、PubMed、IEEE Xplore和ACM等数据库中共找到3000条记录，另外通过其他途径又找到了200条记录，因此在排除无关记录之前，总共有3200条记录。首先根据标题和摘要对1000条记录进行了初步筛选，其中1600条为重复记录，600条为2015年之前发表的记录，被予以剔除。此后又有750条记录被排除，最终有250篇全文文章被纳入资格评估。另有124篇全文文章也被排除在外。

**感知模式与研究环境**
在3部分提出的以行为为导向的实验设计中，感知模式指的是为测量特定婴儿行为而选择的感知技术所对应的层级。感知方法不仅取决于所使用的设备，还取决于行为领域（如运动、社交、发声、生理等）。在家庭和托儿所这样的自然环境中，这些感知技术能够实现具有生态效度的纵向数据收集，帮助了解婴儿在真实世界中的体验，而非在实验室环境中进行测试。

**自然环境中的婴儿行为的计算建模**
本部分对计算方法及其发育意义进行了较为叙述性的描述，而非数学或算法层面的阐述。在3部分提出的以行为为导向的方法中，计算技术将传感器获取的信息与与发育相关的推论联系起来。文中探讨的是，在分析过程中所做的决策应如何以行为目标、自然记录环境以及有限或不完整的标注为基础。

**研究挑战与未来研究方向**
尽管感知与机器学习技术发展迅速，但在真实环境中研究婴儿行为仍面临着方法学、伦理及转化方面的诸多挑战。这些挑战与5部分中提到的证据地图中所列的常见挑战，以及6部分和7部分中分别提到的不同感知模式与模型之间的权衡有所不同（Shah等人，2025a）。

**结论**
本文表明，自然环境中的婴儿感知技术确实取得了一些实质性进展，但并非所有进展都具有同等价值。目前，该领域已经证明了能够反复对婴儿的自然行为（尤其是运动活动和姿势）进行高密度测量，同时也证明了在目标明确、传感器足够独特且研究环境高度受限的情况下，机器学习技术有助于实现针对特定任务的识别功能。不过，目前尚未形成统一的CRediT作者贡献声明格式。

作者贡献：
英德普里特·考尔：撰写原始稿件、方法论部分、正式分析。
约格什·库马尔：撰写原始稿件、方法论部分、研究实施、正式分析、概念构建。
南迪尼·莫迪：负责可视化处理、验证工作及研究实施。

**伦理批准**
本研究为综述性论文，不涉及人类或动物实验。

**利益冲突**
作者声明不存在任何利益冲突。