通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

Oct, 2023

通过一项与双相情感障碍的移动电话使用可能存在的关联探究，提出了 DeepMood 这一基于后期融合的端到端深度架构，可以通过对手机键入动态的会话级分析，来预测情绪分数，精度可达 90.31%，这表明使用移动电话元数据来推断情绪扰乱和严重程度的可行性。

Mar, 2018

本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

Oct, 2022

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

MoodCapture 通过智能手机前置相机自动捕捉的图像提出了一种新的评估抑郁症的方法，收集了 177 位被诊断为重度抑郁症的参与者 90 天内超过 125,000 张在日常生活中捕捉到的图像，并通过分析图像属性如角度、主导颜色、位置、物体和照明等，证明了使用面部标记的随机森林可以有效地分类样本为抑郁或非抑郁，并准确预测 PHQ-8 评分，在事后分析中提供了许多洞见，如消融研究、特征重要性分析和偏差评估，重要的是，我们评估了用户对使用 MoodCapture 检测抑郁症的担忧，为未来设计基于图像的在野外心理健康评估工具提供了重要的隐私问题洞察。

Feb, 2024

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

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

本文介绍了一种基于机器学习的方法，在自动检测抑郁症状方面，使用 3D 面部表情和口语，取得了很好的效果，对于检测重度抑郁症，模型表现出 83.3％敏感性和 82.6％特异性。该技术结合语音识别、计算机视觉和自然语言处理，可用于帮助心理健康患者和从业人员在全球范围内普及低成本的心理健康护理。

Nov, 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