使用可穿戴设备数据检测临床与非临床样本中的抑郁严重程度

为什么你的健身追踪器可能透露的不只是步数

如今许多人佩戴智能手表或健身手环来计步和跟踪睡眠。本研究提出了一个引人注目的问题：这些日常设备是否能在他人寻求帮助之前，悄然提示某人可能正面临抑郁困扰？通过分析心率、活动与睡眠等日常模式，研究者考察了消费级可穿戴设备是否能帮助识别在大学生与正在接受治疗的患者中出现较高抑郁症状水平的人群。

两类人群，同一设备

为检验这一想法，研究团队整合了两组截然不同但都佩戴相同Garmin腕带两周的数据。一组来自荷兰的一所大学，多数学生并未接受心理健康治疗；另一组来自德国一所大学附属诊所，患者正在接受诊断明确的抑郁症治疗。所有参与者还完成了一份简短的标准情绪问卷，研究者据此将其分为“筛查为抑郁阳性”或“非筛查阳性”。这种设计让研究者能够检验可穿戴信号是否能跨越日常与临床环境区分症状较高与较低的人群。

把日常节律变成可用信号

腕带记录了许多健身追踪器常测的基础特征：每日步数、睡眠时长、上床与起床时间，以及觉醒与睡眠时的心率表现。研究并不只关注单日数据，而是将每人两周的数据汇总，既提取均值也衡量日间波动。随后他们使用一种常见于机器学习的统计模型——可同时处理许多相关预测变量的模型——来判断这些特征组合是否能正确分类出筛查为抑郁症状较高的人。

可穿戴设备揭示了什么

在全部282名参与者中，模型表现良好：在留出的测试数据中，它约有五次中就能正确区分四次高症状与低症状组。三类信号尤为突出。睡眠不规律的人——即每晚睡眠时长波动较大——更可能属于高症状组。在最活跃日的高峰步数较低的人亦倾向表现出更严重的症状，这与以往将抑郁与体力活动减少联系起来的研究一致。最后，白天最低心率特别低的个体更有可能出现在高症状组，这提示与抑郁相关的生理唤醒或能量水平变化。

超越“你是谁”，关注“你如何生活”

研究者还检验了预测中有多少信息仅来自于知道参与者属于哪一组——学生还是诊所患者。组别本身就是强烈的线索，因门诊样本的平均抑郁得分明显高于学生样本。然而，当在已知组别的模型中加入可穿戴特征后，整体预测性能仍有所提升。换言之，睡眠、活动及心率模式在基础背景信息之外仍然提供额外信息。进一步调整年龄、就寝时间或情绪问卷略有不同的阈值的分析显示了相似结果，尽管最重要的信号有所转移，更偏向于睡眠时序和静息心率模式。

有前景，但需谨慎

尽管结果令人鼓舞，作者强调当前的可穿戴数据尚不能作为独立的诊断工具。许多参与者，尤其是临床组的，被排除在外因为其设备未提供足够数据，最终样本主要是明显抑郁者与大多数健康学生之间的对比。这意味着该模型对捕捉微妙或早期情绪变化的能力尚未充分检验。两组间年龄、学业压力及其他生活情况的差异也可能影响观察到的模式。总体而言，这项工作表明常见设备捕捉到的日常节律可以反映心理健康的有意义方面，但要实现真正可靠、面向现实世界的应用，还需要更大规模且更具多样性的研究。

对日常生活的意义

对普通读者来说，主要结论是睡眠规律性、活动量和身体“静息状态”的变化会留下可测量的指纹，智能手表能够检测到这些指纹。在本研究中，这些指纹帮助识别了学生与患者两类人群中抑郁症状较高的人。未来，类似方法可能支持早期预警系统，在模式开始类似于抑郁相关特征时提醒个人或临床人员，从而引导及时的对话或检查。当前的信息是既带希望又需谨慎：你的健身追踪器开始捕捉到与你心理健康相关的线索，但尚不足以替代受过训练的专业人员——或在寻求帮助时你自己的主诉。

引用: Hehlmann, M.I., Tutunji, R., Lutz, W. et al. Using wearable data to detect depression severity across clinical and non-clinical samples. Sci Rep 16, 11380 (2026). https://doi.org/10.1038/s41598-026-47177-3

关键词: 可穿戴设备, 抑郁检测, 睡眠与活动模式, 数字心理健康, 被动感知