用机器学习与可穿戴设备和智能手机进行心理健康监测的被动传感:范围审查

科学领域:

• 数字健康数字健康
• 机器学习应用程序 机器学习应用程序
• 心理健康技术 心理健康技术

背景情况:

• 心理健康挑战是一个全球性的问题,传统的评估缺乏客观性和现实世界的适用性.
• 使用可穿戴设备和智能手机的被动传感为持续的心理健康监测提供了一种非侵入性的方法.
• 机器学习 (ML) 通过实现对心理健康评估的客观数据分析来增强被动感知.

研究的目的:

• 全面审查用于心理健康监测的被动传感和ML技术.
• 总结技术方法,并确定行为特征和精神障碍之间的关联.
• 探索这个领域的未来研究方向.

主要方法:

• 根据PRISMA-ScR指南进行范围审查,搜索7个数据库,查找2015年1月至2025年2月的研究.
• 包括42项同行评审的研究,利用被动传感 (可穿戴设备/智能手机) 和ML监测被诊断的精神障碍,如抑郁和焦虑.
• 综合了技术方面 (数据收集,ML模型) 和临床关联的数据,将行为特征分为8个领域.

主要成果:

• 大多数研究 (55%) 专注于抑郁症,主要使用手腕穿戴设备收集心率,运动和步数数据.
• 深度学习模型 (例如,CNN,LSTM) 实现了高精度,而传统的ML模型 (例如,随机森林) 提供了更好的解释性.
• 显著的局限性包括小样本大小 (76%<100名参与者),短暂的监测时间 (45%<7天) 和稀缺的外部验证 (2%).

结论:

• 被动传感和ML显示高准确度检测条件,如焦虑 (92.16%与CNN-LSTM),但方法异质和小样本大小限制目前的证据.
• 关键的局限性包括研究设计不一致 (76%的单一设备,45%<7天监测),由于样本小而存在偏差的高风险和缺乏验证,以及对数据匿名性的伦理担忧 (14%).
• 临床翻译需要标准化的协议,更大的纵向研究 (≥3个月),强大的伦理框架,多式传感器融合和可解释的AI,以确保可靠和可部署的心理健康解决方案.