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

通过分析用户的移动电话活动和额外指标，如天气条件和人格特征等数据，我们提出了一种替代方法，可靠地识别日常压力水平，并且高效易实现。

Oct, 2014

本研究综合评估了文献中存在的重要主观和客观人体应激检测技术。特别是，使用可穿戴传感器和非穿戴传感器获得数据的心理、生理、物理和行为测量方法被详细研究，从而为未来的研究提供参考建议，利用人工智能技术实现有效检测人类应激状态。

Feb, 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

通过使用可穿戴传感器和机器学习方法，研究提出了一种名为混合随机森林 - 神经网络的算法，用于评估抑郁症患者的传感器数据。该算法在包括难治性和双极性抑郁症患者以及健康对照组的特殊数据集上的准确率达到 80％，为精神健康诊断领域做出了重要贡献。

Oct, 2023

每日监测的紧迫性与重要性日益凸显，本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法，并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示，利用脉搏波图和环境信息结合的随机森林分类器，F1 得分可达到 70%，较仅使用脉搏波图的 56% 得分更为显著。

Dec, 2023

利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统，使用自监督学习模型进行预训练，并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力，可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。

Jul, 2023

使用穿戴设备收集的生物信号数据进行压力预测，通过个性化的自监督学习方法，基于神经网络模型实现了较少标注数据即可达到等效结果，从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。

Aug, 2023

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