AI 模型使用 Wi-Fi 运动数据以 87% 的准确率检测老年人的抑郁症

快速阅读: 据《AZoAI》最新报道，JMIR于2025年3月4日报道称，麦吉尔大学的萨米拉·A·拉希米教授领导的研究团队开发了一种名为HOPE的人工智能模型，通过Wi-Fi信号被动监测老年人的运动和睡眠模式，准确率达87%以上。该模型无需穿戴设备或主动参与，有助于早期抑郁症的非侵入性检测，提升老年人的生活质量。

JMIR出版2025年3月4日报道，传统抑郁症检测方法对老年人来说可能具有侵入性和难以获得。如今，研究人员开发了一种名为希望（HOPE）的人工智能模型，该模型通过Wi-Fi信号被动监测运动和睡眠模式，能够以惊人的准确性识别早期抑郁迹象，而无需穿戴设备或主动参与。

这项名为“使用基于Wi-Fi的运动传感器数据预测老年人抑郁症的希望模型的发展与可行性研究：机器学习研究”的研究由JMIR出版公司发布。它强调了一种准确检测老年人抑郁症的新机器学习模型。该研究由麦吉尔大学的萨米拉·A·拉希米教授和蒙特利尔人工智能研究所作为首席研究员领导，旨在确定是否可以通过Wi-Fi传感器收集的日常运动和睡眠模式提供65岁及以上成年人早期抑郁症的指示。该方法的准确率超过了87%，这种创新方法为早期干预和非侵入性心理健康监测提供了有前景的解决方案，为传统的需要直接患者参与的方法提供了替代方案。

自动基于Wi-Fi的抑郁症分类框架结构。CSI：信道状态信息；DT：决策树；EFS：埃德蒙顿虚弱量表；GDS：老年抑郁量表；LIME：局部可解释模型无关解释；PCA：主成分分析；RSSI：接收信号强度指示；SFS：顺序前向选择；SHAP：Shapley加性解释。

抑郁症是老年人日益严重的公共卫生问题，研究表明，居住在家中的老年人中有10%-15%的人以及长期护理机构中的老年人中有30%-40%的人患有此病。然而，近一半的抑郁症病例未被诊断出来，导致身体健康受损、住院率增加和生活质量下降。传统的检测方法，包括临床访谈和基于可穿戴设备的监测，通常资源密集、侵入性强或不方便，特别是对于可能难以采用技术的老年人。希望模型通过利用现有的Wi-Fi基础设施解决了这些问题，实现了无需用户主动参与的持续被动监测。

希望模型的一个关键方面是集成了可解释的人工智能（XAI）技术，确保透明度和临床可解释性。拉希米实验室使用可解释的机器学习模型来识别在抑郁症检测中最具影响力的因素。结果显示，与睡眠相关的特征，如平均睡眠时长、睡眠中断频率和虚弱水平，是主要的抑郁症指标。通过使这些基于AI的预测具有可解释性和临床意义，希望模型增强了信任，并促进了社区中老年人抑郁症的早期检测。

该研究强调了与睡眠相关因素在检测抑郁症中的重要性。分析显示，最重要的因素是睡眠时长、睡眠中断次数和时长以及虚弱程度，这与之前关于睡眠与心理健康之间联系的研究相一致，并加强了进一步探索这一领域的必要性。“老年人的心理健康常常被忽视，让许多人默默地承受痛苦，没有得到他们应得的关注和照顾。我们的希望模型可以作为一个关心的朋友，通过日常的Wi-Fi数据观察老年人的抑郁症迹象，及早发现潜在问题而不具侵入性。这是利用技术伸出援手，尤其是对于那些可能难以主动寻求帮助的人来说。”麦吉尔大学的研究员萨米拉·A·拉希米说。

该研究展示了使用智能家居技术进行心理健康评估的可行性。尽管这些发现令人鼓舞，但仍需进行更多研究以提供更多证据支持这种方法。这项技术可以支持早期干预，从而改善抑郁症高风险老年人的生活质量。

(以上内容均由Ai生成)