本研究使用手机元数据和加速度计值来预测双相障碍者情绪紊乱的存在和严重程度，结果表明使用智能手机元数据来预测情绪紊乱的可能性和严重程度是可行而有效的，并展示了个性化医疗治疗情绪紊乱的潜力。

Aug, 2018

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

本文研究了利用移动电话数据进行抑郁症预测的方法，并提出了使用 LSTM 网络进行建模的解决方案，实验结果表明该预测任务的准确率与抑郁症诊断任务相当，精度可达 77.0％。

May, 2022

为了支持文本媒体在心理健康领域的应用，特别是危机关怀方面，我们正在开发一种使用按键动态和情感分析相结合的 passsive 情感识别系统。我们的初步研究结果表明，分析短信和键盘输入模式可以提供情感信息，以支持用户和接触者。我们利用初步研究结果探讨了将人工智能应用于支持心理健康提供者提供更好关怀的前进方向。

Jun, 2024

本文提出了一种基于 LEAPMood 的自然语言文本情绪预测方法，该方法使用字符嵌入、音素哈希和注意力等技术，结合基于遗传算法的超参数调整方法，实现了情绪识别和情绪预测，并在 DailyDialog 数据集上取得了精确度为 62.05%、内存大小为 1.67MB 的 Emotion Recognition in Conversion (ERC) 模型，和 Macro F1-score 为 72.12% 的 mood prediction 效果。

Feb, 2022

通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。

Jan, 2024

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023

利用联邦学习和上下文感知语言学习方法，FedTherapist 提出了一种通过连续语音和键盘输入对移动设备进行隐私保护方式的移动心理健康监测系统，其通过比较多种模型设计的性能和开销，成功克服了在智能手机上进行设备内语言模型训练的复杂性，并通过对 46 名参与实验者进行自我报告的抑郁、压力、焦虑和情绪情况的预测的 IRB 批准评估显示出更高的准确性，相比非语言特征，AUROC 改善了 0.15，MAE 降低了 8.21%。

Oct, 2023

研究表明，语言使用与抑郁症相关，但需要大规模验证。本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题。其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题：无期望、睡眠、心理疗法、剪发、学习和课程作业。我们比较了识别到的话题之间的行为（通过可穿戴设备）和语言特征，揭示了话题的产生及其与抑郁症的关联。同时，通过调查话题转变与时间内抑郁症严重程度的变化之间的关系，证明了长期监测语言使用的重要性。此外，我们还在一个类似较小的数据集上测试了 BERTopic 模型（57 名参与者的 356 个语音记录），获得了一些一致的结果。总结起来，我们的发现表明特定的语音话题可能会指示抑郁症的严重程度。所呈现的数据驱动工作流提供了一种在真实环境中收集和分析大规模语音数据的实用方法，可用于数字健康研究。

Aug, 2023