智能设备和多模式系统用于心理健康监测:从理论到应用

科学领域:

• 数字健康和生物医学工程.
• 医疗保健中的人工智能.
• 心理健康技术和生物信号处理.

背景情况:

• 可穿戴和多模式生物信号系统,包括脑电图 (EEG),心电图 (ECG) 和肌电图 (EMG),越来越多地与人工智能 (AI) 集成.
• 这些技术旨在加强心理健康状况的评估和纵向监测.
• 目前的证据是异质的,由于协议,分析和验证的变化,临床翻译有限.

研究的目的:

• 系统地审查当前的应用,信号处理技术和人工智能智能系统的方法限制,以监测心理健康.
• 综合关于生物信号用于检测,监测和管理心理健康结果的发现.
• 确定临床翻译的挑战和未来方向.

主要方法:

• 在2013年至2026年期间发表的研究进行了PRISMA 2020指导的系统审查.
• 在主要的科学数据库中进行了搜索 (PubMed/MEDLINE,Scopus,科学网,IEEE Xplore,ACM数字图书馆).
• 包括关于可穿戴/智能设备或多式联络生物信号用于心理健康的人类应用的研究,使用机器学习/深度学习模型分析数据.

主要成果:

• 文献分为抑郁症 (37%),压力/焦虑 (18%),PTSD/创伤 (5%),技术创新 (25%),大脑状态刺激 (3%) 和社会经济背景 (7%).
• 常见的分析管道包括文物抑制,特征提取和机器/深度学习模型.
• 显著的局限性包括小样本大小 (在67%的研究中<100),有限的生态有效性,缺乏外部验证,以及协议和结果的异质性.

结论:

• 多模式生物信号系统,特别是可穿戴的心脏指标和被动传感,具有增强心理健康评估的巨大潜力.
• 目前的证据主要基于概念验证研究.
• 未来的研究必须侧重于标准化报告,在不同的队列中严格验证,透明的模型评估和道德考虑 (隐私,公平,治理) 以促进临床实践.