一种利用消费级可穿戴设备监测抑郁和焦虑的可解释异常检测框架
计算机视觉与模式识别
2025-05-07 v1 应用统计
摘要
通过可穿戴设备对行为和生理进行连续监测，为早期发现抑郁和焦虑恶化提供了一种新颖、客观的方法。在本研究中，我们提出了一种可解释的异常检测框架，该框架利用消费级可穿戴数据来识别具有临床意义的症状严重程度增加。利用来自 2,023 名具有明确健康基线的参与者的数据，我们的 LSTM 自编码器模型学习了睡眠时长、步数和静息心率的正常健康模式。当自我报告的抑郁或焦虑评分增加 >=5 分（这一阈值被认为具有临床显著性）时，即标记为异常。该模型在检测 341 名参与者的 393 次症状恶化事件中，达到了 0.80 的调整后 F1 分数（精确率 = 0.73，召回率 = 0.88），对于涉及抑郁和焦虑同时加剧的事件（F1 = 0.84）以及更显著的症状变化（>=10 分增加，F1 = 0.85），性能更高。基于 SHAP 的分析支持了模型的可解释性，该分析确定静息心率是 71.4% 检测到的异常中最具影响力的特征，其次是身体活动和睡眠。总之，我们的研究结果凸显了可解释异常检测在现实环境中实现个性化、可扩展和主动式心理健康监测的潜力。
引用
@article{arxiv.2505.03039,
title = {An Explainable Anomaly Detection Framework for Monitoring Depression and Anxiety Using Consumer Wearable Devices},
author = {Yuezhou Zhang and Amos A. Folarin and Callum Stewart and Heet Sankesara and Yatharth Ranjan and Pauline Conde and Akash Roy Choudhury and Shaoxiong Sun and Zulqarnain Rashid and Richard J. B. Dobson},
journal= {arXiv preprint arXiv:2505.03039},
year = {2025}
}