可穿戴技术在预测恐慌发作中的实用性:范围审查
Karim Zahed1, Yasmina Hallak1, Kian Azad1
1Department of Industrial Engineering & Management, American University of Beirut, Beirut, Lebanon.
Digital health
|November 3, 2025
概括
可穿戴设备与机器学习相结合,显示出预测恐慌发作 (PA) 的前景. 然而,目前的研究需要改善近乎实时的预测能力,以便在实际临床中使用.
科学领域:
- 可穿戴技术是可穿戴的技术.
- 机器学习是机器学习.
- 心理生理学 心理生理学
背景情况:
- 恐慌发作 (PA) 显著影响全球健康,导致不可预测的症状,如心跳加快和.
- 可穿戴技术和机器学习 (ML) 显示出管理健康状况的潜力,但PA预测仍未得到充分探索.
研究的目的:
- 审查用于可穿戴式恐慌发作 (PA) 研究的方法,特征和ML模型.
- 用可穿戴设备评估PA预测的当前状态和局限性.
主要方法:
- 通过主要学术数据库 (PubMed,PsycINFO,Embase,Google Scholar) 识别的七项研究的系统范围审查.
- 分析各种ML模型,包括深度学习 (LSTM,RNN),随机森林和回归模型.
- 检查生理指标,如心率变化和活动水平.
主要成果:
- 研究使用了各种ML模型并分析了生理数据,达到67.4%至94.8%的预测准确度.
- 发现的关键预测因素包括静止心率,心率变化和睡眠指标.
- 心理,生理和环境数据的整合提高了预测的准确性.
结论:
- 可穿戴式传感器和ML显示在识别恐慌发作预测因素中的实用性.
- 目前的预测时间框架往往是不切实际的,近乎实时的PA发作预测成功程度有限.
- 进一步的研究对于开发有效的实时恐慌攻击预测系统至关重要.
