摘要：智能手机凭借其便携性与传感能力，已成为医疗健康数据采集的重要载体。通过内置加速度计、麦克风、GPS等传感器，这类设备能够持续被动地采集多模态数据流，涵盖环境参数、生理指标和行为模式等多个维度。研究表明，此类多维时序数据不仅可用于躯体疾病的预警，还可用于精神障碍

智能手机凭借其便携性与传感能力，已成为医疗健康数据采集的重要载体。通过内置加速度计、麦克风、GPS等传感器，这类设备能够持续被动地采集多模态数据流，涵盖环境参数、生理指标和行为模式等多个维度。研究表明，此类多维时序数据不仅可用于躯体疾病的预警，还可用于精神障碍的评估，其常用技术路径如图1所示。然而，从海量手机数据中精准提取出能够有效表征重度抑郁症（Major Depressive Disorder，MDD）的数字表型特征并非易事，面临诸多技术难题。一方面，手机原始数据的时空异质性导致用于MDD识别的稳定数字表型萃取困难；另一方面，未经脱敏的语音、定位等敏感信息采集可能引发隐私泄露风险，对临床试验伦理审查和技术转化构成实质性障碍。因此，需要探索高信效度特征工程方法与隐私计算框架。

图1 基于智能手机的精神障碍评估技术路径

近日，兰州大学信息科学与工程学院杨民强副教授以第一作者在IEEE旗舰期刊《Proceedings of the IEEE》正刊发表题为《Digital Phenotyping and Feature Extraction on Smartphone Data for Depression Detection（抑郁症检测中智能手机数据的数字表型分析与特征提取）》的研究论文，胡斌教授和胡希平教授为论文共同通讯作者。

该文针对普适感知技术相关的多个关键问题展开了全面深入的剖析，旨在为MDD的检测工作提供更有力、更有效的辅助支持。文章系统性地分析了当前通过智能手机数据进行数字表型的研究，总结了MDD可能的检测方法，并从数字表型的视角创新性地阐释了五类具有代表性的特征（如图2所示）。这五类特征分别为：反映个体活动范围和轨迹的位置特征，体现个体运动状态和活动量的运动特征，包含睡眠时长、质量等关键信息的睡眠特征，表征个体日常活动时间规律的节律特征，以及记录个体社交互动模式和手机使用习惯的社交与设备使用特征。此外，论文还针对现有研究的局限性，从多模态融合、长期纵向试验、行为模式、被动数据的隐私问题及神经机制等方面提出开放性问题、研究挑战及解决思路，为该方向进一步的研究探索与工程应用提供了方向指引，推动智能手机在精神障碍辅助诊疗中的应用。

图2 代表性特征及其数字表型示例

【新闻背景】

《Proceedings of the IEEE》在计算机科学领域中CiteScore排名第一，影响因子为23.2（中科院一区，CCF A类，JCR Q1），2024年发文量仅为43篇。该期刊以发表深度综述、前沿技术指南及权威调研著称，被全球学术界视为电子电气与计算机领域的顶级风向标。该论文系兰州大学首次以第一单位在《Proceedings of the IEEE》发表。

杨民强课题组致力于人工智能技术在普适化精神障碍诊疗中的研究，以第一作者或通讯作者身份发表顶级及一流期刊会议论文20余篇。课题组研制了可穿戴眼动仪UEYE，实现了可穿戴高精度眼动追踪技术的自主可控和国产替代，并将其应用于抑郁筛查。相关技术获得授权专利5项，论文发表在中科院一区顶级期刊TCSVT（入选ESI高被引论文）。课题组立足“摄像头+麦克风”的普适化传感器数据开展抑郁识别研究，发表了一系列有影响力的研究成果。其中，发表在CCF A类顶级期刊TKDE的论文提出了时空注意力多模态协同感知模型，可在自由对话场景下实现抑郁识别（入选ESI高被引论文）。在抑郁的非药物干预方面，课题组开展了面向抑郁干预的大语言模型多模态行为信息反馈技术研究，并获得国家自然科学基金面上项目资助。

来源：兰州大学