《Current Research in Behavioral Sciences》：Multi-Modal Human Digital Twin for Hydration
编辑推荐：
水合作用在维持身心健康中至关重要。然而，由于饮食、生理、活动和环境的差异，个体的每日水合需求存在显著不同。这项初步研究探索了开发一种用于水合作用的多模态人类数字孪生的可行性，该数字孪生整合了来自尿液比重（urine specific gravity, USG）
水合作用在维持身心健康中至关重要。然而，由于饮食、生理、活动和环境的差异，个体的每日水合需求存在显著不同。这项初步研究探索了开发一种用于水合作用的多模态人类数字孪生的可行性，该数字孪生整合了来自尿液比重（urine specific gravity, USG）、营养摄入、基于可穿戴设备的生理信号以及生态瞬时评估的连续真实世界数据。研究人员在20个非连续日内监测了三名参与者，在每次如厕时收集USG，记录食物和饮料摄入，并佩戴Garmin VivoSmart5和Chill+传感器以捕获心率、运动和皮肤电反应（galvanic skin response, GSR）。USG被证明是一个敏感的水合标记物，显示出一致的昼夜模式，并与主观水合报告部分一致，但显著的变异性凸显了自我报告的局限性。多模态分析表明，水合作用、饮食、生理信号和情境因素之间存在复杂的相互作用，包括特定饮料（如Aquarius和咖啡）的强烈影响。为每位参与者训练的个性化机器学习模型显示出合理的预测能力，并优于合并模型，强调了水合动态的个体化性质。初步的计算机模拟实验展示了数字孪生在提供特定饮料建议方面的潜力。另一方面，这些结果也揭示了基于窗口的建模无法捕捉累积或长期的生理动态，这表明未来需要一种将机械生理学与机器学习相结合的混合方法，以实现现实且可行的水合数字孪生。这些发现支持了个性化水合数字孪生的可行性和前景，并为未来向更全面、更具生理学基础的模型扩展奠定了基础。
研究背景与现存问题：在人口老龄化和医疗成本日益增加的背景下，预防保健愈发重要。水合作用是影响日常功能和长期健康的核心因素之一，但常被忽视。即使是轻度脱水也会对情绪、认知能力和身体机能产生负面影响，而长期水合不足与老年人群的死亡率、发病率和残疾风险增加相关。老年人因口渴感减弱、肾脏浓缩能力下降以及常用药物（如利尿剂）的干扰而特别容易脱水。目前的水合评估与指导方法主要依赖通用建议、自我报告或零散的测量，无法捕捉个体水合状态在日常生活中的动态性和情境依赖性。个体的水合需求因饮食、生理、活动水平、环境条件和行为习惯而异。数字孪生（Digital Twin）技术，即物理实体的虚拟表示，长期以来被用于制造业和工程领域，现已扩展到人类领域，用于构建人类生理、行为和环境的动态模型。然而，数字孪生在连续水合监测中的应用，尤其是在真实世界纵向环境中，仍然有限。因此，研究人员开展了此项研究，以评估构建一个能够捕获和整合多模态数据以提供个性化水合评估与建议的数字孪生的技术可行性。该研究成果发表在《Current Research in Behavioral Sciences》。
关键技术与方法：研究人员开发了一种基于数据驱动的机器学习模型，以构建水合数字孪生（hydration digital twin）。主要方法包括：1）使用极端梯度提升（eXtreme Gradient Boosting, XGBoost）作为核心回归算法，学习多模态传感器输入与尿液比重（urine specific gravity, USG）之间的个性化关系。2）采用基于回顾性三小时时间窗口的特征工程框架，聚合来自四种主要模态的数据：营养摄入（来自Mijn Eetmeter应用和SnackBox设备）、生理信号（来自Garmin VivoSmart5和Chill+传感器）、如厕相关变量（如上次如厕的USG和尿量）以及时间变量（如小时和星期几），共提取40个特征。3）通过在15分钟步长上滑动三小时窗口，将模型扩展为连续水合状态估计。4）通过设定输入变量（如预期饮料摄入）进行初步计算机模拟（in-silico simulation），演示“假设”（what-if）分析功能。样本队列来源为在荷兰瓦赫宁根（Wageningen, Netherlands）招募的三名成年男性参与者。
研究结果：
3.1 单变量分析：该部分通过基础统计分析揭示了数据的关键特征。
3.1.1 USG与水合：通过分析三名参与者在20个非连续天的数据发现，尿液比重（USG）在每个参与者中都显示出清晰的昼夜模式，早晨最高，早餐饮料摄入后下降，午餐前和下午再次升高，表明USG是自由生活条件下水合动态的敏感高分辨率指标。通过将USG与生态瞬时评估（ecological momentary assessments, EMA）中的主观水合评分比较，发现较低的USG值通常与较高的主观水合感觉一致，但存在显著变异性，表明自我报告的水合状态不可靠且受个体感知影响。通过对EMA情绪状态与USG的关联分析（采用曼-惠特尼U检验），仅在参与者1中发现较低的自报能量水平与较高的USG值显著相关，即相对脱水状态与疲劳感相关，强调了水合相关体验的个体化属性。此外，如厕相关变量（如上一次如厕间隔时间和上一次USG值）与当前USG状态强相关。
3.1.2 情境变量之间存在复杂的相互作用：通过沃德最小方差层次聚类分析特征的潜在结构，结果显示营养、生理、时间相关和如厕相关特征形成了清晰的聚类，表明水合过程受饮食、生理、昼夜节律和行为模式的综合影响。具体而言，摄入相关特征聚为一类，生理信号（心率(heart rate, HR)和心率变异性(heart rate variability, HRV)）形成一组，皮肤电反应（galvanic skin response, GSR）与加速度相关变量紧密关联，如厕变量形成独立簇。特定变量如咖啡、维生素和酒精的摄入与如厕次数存在有意义关联，而时间特征（一天中的小时和星期几）也作为重要贡献者出现，强调了昼夜节律和行为节奏的作用。
3.1.3 饮水行为：通过分析饮料类型及水合反应，发现参与者饮水行为存在显著个体差异。通过对17种饮料的短时（消费后90分钟）分析，发现运动饮料（Aquarius）能最有效地降低USG，而咖啡摄入与USG升高相关。水摄入的反应则因人而异，部分参与者USG下降明显，部分则不明显，这可能受餐时饮水、餐前水合状态等因素影响。通过斯皮尔曼相关系数分析特征与USG的关系，发现个体间相关性模式不同，如咖啡因、酒精、糖等对USG的影响因人而异，这表明饮料相关水合动态无法一概而论，反映了个体的代谢、行为和情境因素。
3.2 水合预测：该部分评估了机器学习模型的预测性能和个人化模型的重要性。
3.2.1 预测性能：研究人员使用前三周数据训练个性化XGBoost回归模型，预测下一次如厕时的USG，并对比了包含所有参与者的通用模型。性能比较显示，个性化模型在测试集上表现良好，其中参与者1的均方根误差（Root Mean Square Error, RMSE）最低，参与者2和3的R2值较高。通过特征重要性分析（基于增益准则）发现，时间相关的如厕特征（如上一次如厕间隔时间、三小时内如厕次数）对多数参与者预测性能贡献最大，表明水合动态随时间逐渐演变。然而，对于数据较少的参与者3，维生素E摄入成为主导预测因子。通用模型中，维生素C特征的重要性突显，这可能源于特定饮料（如Aquarius Lemon）的电解质含量，反映了群体水平与个体化特征模式的差异。
3.2.2 个性化模型：为进一步验证个性化建模的必要性，研究人员进行了跨参与者特征集迁移实验，即使用一名参与者的最优特征集训练另一名参与者的模型。结果表明，使用自身最优特征集的个性化模型在所有参与者的RMSE和R2指标上均优于使用其他参与者特征集的迁移模型。迁移模型甚至出现负R2值，表明其拟合度和泛化能力极差。这证实了水合相关特征空间高度个体化，无法有效泛化，因此个性化机器学习模型至关重要。
3.3 水合模拟：研究人员开发了初步的模拟框架，通过设定不同的输入变量（如饮料类型和时间）来预测USG轨迹。模拟结果显示，系统能够预测不同饮料（水、Aquarius、咖啡）下的USG变化，例如咖啡与USG升高相关，而运动饮料能更有效地降低USG。这支持了“假设”分析和个性化饮料建议的潜力。然而，当前的固定三小时窗口模型存在局限，因为它无法捕捉肾脏代偿、代谢水产生或累积溶质负荷等长期生理过程。
讨论与结论总结：研究讨论部分指出，没有单一的数据模态足以捕获水合动态，多模态整合是构建准确人类数字孪生的核心要求。研究结果证实，水合行为源于模态间非线性和异质性的相互作用，模型个性化至关重要，而群体水平模型效果有限。数字孪生不仅作为预测工具，更是决策支持系统，实时15分钟水合估算为实时指导奠定基础。然而，纯粹基于窗口的模拟存在局限，为整合机械生理学知识的混合模型提供了明确机会。研究结论部分（5. Conclusion）强调，该研究展示了开发个性化、多模态水合数字孪生的可行性和重要性。研究人员通过部署设备和数字基础设施实现了综合数据收集。尿液比重（USG）被证明是敏感可靠的水合状态测量指标。分析表明，先前如厕信息是当前水合状态最显著的预测因子。研究结果强调了采用个性化建模方法的必要性。所构建的模型支持进行饮料摄入的计算机模拟，从而为及时的个性化推荐系统开发提供支持。为了克服传统机器学习方法的局限性，采用机械或混合建模策略是未来发展的关键方向。总之，这项研究为更先进的水合数字孪生技术奠定了坚实基础。
