精神分裂症中的个体行为洞察：网络分析与移动感知方法

心理健康领域的数字表型分析通常包括通过智能手机等设备的传感器和自我报告数据收集行为和经验信息。这些丰富而全面的数据可用于深入了解日常行为与各种心理健康状况之间的关系。然而，由于这些数据集具有高维和多模态的特性，当前的分析方法显示出有限的应用。本研究展示了首次使用一种有原则的方法，将主观自我报告数据（生态瞬时评估 - EMAs）与并发的传感器数据结合起来。在本研究中，使用 CrossCheck 数据集分析了 50 名被诊断为精神分裂症的参与者的数据。在个体（n-of-1）水平上对 EMAs 应用网络分析，同时使用传感器数据来识别各种行为情境的时期。发现在某些行为情境（例如每日访问地点数量的变化）期间生成的网络与基线网络以及从随机抽样时间段生成的网络显著不同。此处提出的框架为揭示行为情境和 n-of-1 水平上自我报告的并发影响奠定了基础。这些见解对于管理精神分裂症等严重精神疾病具有重要价值。