Translational Psychiatry：基于智能手机传感器数据的机器学习模型预测严重精神疾病患者负性情绪

严重精神疾病（SMI）患者的核心特征之一是负性情绪（如焦虑、易怒、孤独感）的加剧，这些情绪波动对日常生活功能造成显著干扰。随着智能手机和可穿戴设备的普及，其内置传感器（如加速度计、GPS、屏幕使用记录）为无创、连续监测行为模式提供了新途径，可能实时预测情绪变化。本研究旨在通过长期多模态数据收集和机器学习算法，开发个性化预测模型，以识别SMI患者的高负性情绪状态（HNA），为及时干预提供依据。

研究纳入了68名诊断为情感障碍（如双相障碍、抑郁症）或精神病性障碍（如精神分裂症）的成人患者，平均随访465天，共收集12,959份每日情绪自评数据。参与者通过智能手机应用“Behave” passively提供加速度计、GPS定位和屏幕使用数据，部分参与者还佩戴了GENEActiv腕带设备以补充活动监测。情绪评估包括焦虑、易怒、沮丧和孤独感四项，采用4级评分（1=无，4=极度）。HNA状态定义为个体情绪评分超过其个人均值0.5分以上。研究比较了多种统计方法，包括广义线性混合效应模型（GLMER）和个性化集成机器学习算法（PEM），后者通过加权整合个体特异性模型（IM）和其他参与者的模型信息，以优化预测性能。

图1：不同特征集成PEM模型对四种情绪的AUC比较

结果显示，机器学习模型显著优于传统统计方法。个性化双重集成模型（PDEM）的综合曲线下面积（AUC）最高，达0.72（易怒）至0.79（孤独感），其中随机森林算法（PEM-RF）贡献最大。GPS相关变量（如离家距离、活动半径、居家时间占比）是预测负性情绪的最重要特征，但其关联方向存在个体差异。例如，49%的参与者在焦虑时活动量增加，而另一半则减少；而80%的参与者在孤独感加剧时活动半径缩小。通过K-medoids聚类分析，研究者进一步识别出不同行为模式的患者亚组，验证了情绪-行为关联的异质性。此外，集成模型（PEM）相比仅依赖个体数据的模型（IM）表现出显著优势，AUC平均提升0.05，Brier评分降低0.013，表明跨个体信息共享能有效提高预测准确性。

研究结论支持智能手机被动传感数据在预测SMI患者负性情绪中的实用价值，尤其是GPS衍生的行为指标。个性化集成机器学习方法通过整合个体特异性和群体共享模式，实现了较高的预测精度。未来可基于此类算法开发实时干预系统，例如在检测到情绪恶化时自动触发行为激活或正念练习。然而，研究也存在局限性，如每日单次情绪评估可能忽略日内波动，腕带数据缺失率高，且样本代表性可能受限。总体而言，这项研究为数字化心理健康监测和精准干预提供了重要技术支撑。

原始出处：

Webb, C. A., Ren, B., Rahimi-Eichi, H., et al. (2025). Personalized prediction of negative affect in individuals with serious mental illness followed using long-term multimodal mobile phenotyping. *Translational Psychiatry*, *15*(174). https://doi.org/10.1038/s41398-025-03394-4