基于智能手表的精神分裂发作不确定性检测：预测与多任务学习融合
机器学习
2026-05-14 v1
摘要
数字表型学使能够持续被动监控行为和生理情况，为早期检测精神分裂发作提供了有前景的范例。在本工作中，我们开发并系统性研究了两个基于智能手表的每日发作检测框架。第一个框架预测心脏动态并标记预测值与观察值之间的偏差作为异常指示器。第二个框架采用多任务方案，将睡眠与运动和心脏派生信号融合，学习时间感知嵌入并预测测量时间。两个管道均使用Transformer编码器并输出每日异常评分，该评分源于通过多个多层感知机（MLP）估计的预测不确定性，以提高对真实世界可穿戴设备变异性的鲁棒性。尽管每个框架在独立情况下都显示出强大的预测能力，但我们表明它们捕获的是互补的生理特征。因此，我们提出了一种晚期融合策略，将两个架构的异常信号综合为统一决策评分。我们在2023年e-Prevention大型挑战数据集上对方法进行基准测试，其中我们的融合模型相对于获奖基线实现了8%的相对改进。我们的研究结果得到广泛的消融研究的支持，表明整合多样化的数字表型（心脏、运动和睡眠）对于在真实世界环境中实现对精神分裂发作的高保真检测至关重要。
关键词
引用
@article{arxiv.2605.13816,
title = {Uncertainty-Driven Anomaly Detection for Psychotic Relapse Using Smartwatches: Forecasting and Multi-Task Learning Fusion},
author = {Nikolaos Tsalkitzis and Panagiotis P. Filntisis and Petros Maragos and Niki Efthymiou},
journal= {arXiv preprint arXiv:2605.13816},
year = {2026}
}