使用被动智能手机数据预测身体形障碍中第二天负面情绪状态的强度:一项密集的纵向评估研究

科学领域:

• 精神病学是一个精神病学.
• 数字健康数字健康
• 计算心理学 计算心理学

背景情况:

• 身体形障碍 (BDD) 与严重的痛苦有关,包括增加羞耻和焦虑,与自杀和物质使用风险相关.
• 当前的情绪评估方法,如自我报告,有局限性,包括回忆偏差和负担.
• 使用智能手机传感器的数字表型化为低负担,实时情绪评估提供了一个有希望的替代方案.

研究的目的:

• 研究智能手机传感器数据 (GPS,加速度计) 的实用性,以预测BDD成年人的下一天的负面情绪峰值.
• 为了比较机器学习模型 (随机森林) 和统计模型 (累积链接混合模型) 对情绪状态的预测性能.

主要方法:

• 智能手机传感器数据 (GPS,加速度计) 在三个月内从83名患有BDD的成年人中收集.
• 生态瞬间评估 (EMA) 捕捉了28天的日常情绪状态 (羞耻,焦虑,一般负面情绪).
• 累积链接混合模型 (CLMM) 和随机森林 (RF) 模型被用来预测情绪状态.

主要成果:

• 与CLMMs相比,随机森林模型显示出更高的预测性能.
• 射频模型实现了从42.1%到50.0%的预测准确度,明显超过了CLMM (10.9%到20.2%).
• 在预测高水平负面情绪时,观察到适度的准确性.

结论:

• 智能手机传感器数据可以有效地用于预测BDD患者的急性负面情绪状态.
• 这种数字表型化方法有可能使得准时干预措施能够减轻自杀和物质使用风险.
• 未来的研究应该考虑更大的样本大小,延长数据收集时间,并整合可穿戴生理数据以提高模型性能.