跳至正文

数字表型：智能手机如何成为精神健康的隐形观察者

  • 由
🔭 前沿探索 📅 2026年3月 ⏱ 阅读约12分钟

你上一次拿起手机是什么时候？解锁、滑屏、发消息——这些看似平常的动作，其实在无声地”讲述”着你的精神状态。研究人员发现，手机里的传感器——GPS轨迹、屏幕使用时长、步数、通话记录——产生的数据流，可能比你填写的任何问卷更真实地反映你的情绪波动、焦虑程度，甚至精神疾病发作的早期信号。

这个新兴领域叫做数字表型（digital phenotyping）：通过人与数字设备的自然交互行为，提取可量化的心理健康标记物。它不需要你主动作答，不需要临床面谈，只需要你口袋里那部每天24小时陪伴你的智能手机。本文将带你了解这套”数字镜像”是如何工作的，它在脑科学与精神医学领域打开了哪些新窗口，以及它目前走到了哪个阶段。

📋 目录

什么是数字表型？

“表型”这个词来自遗传学，指一个生物体可被观测的外部特征——与基因型（内在蓝图）相对。数字表型借用了这一概念：通过人与数字设备之间自然发生的互动行为，量化人的行为和心理特征。

ℹ️ 定义：数字表型

数字表型是一种新兴方法，利用从智能手机、可穿戴设备等数字设备中提取的被动感知数据（无需用户主动输入），作为心理状态的客观标记物。这些数据来源于人与设备之间自然、自发的交互行为，例如触屏方式、地理位置轨迹、通话模式等。[1][3]

传统精神科评估高度依赖自我报告——患者在诊室里回忆过去两周的心情、睡眠、社交。这种方法存在固有局限：回忆偏差、社会期许效应、以及医院就诊频率有限导致的时间粒度粗糙。相比之下，一部智能手机每天可以采集数千个行为数据点，且覆盖真实生活场景。[6]

一篇发表于2023年的系统综述分析了多项数字表型研究，指出这种方法有望实现对心理障碍的远程、持续、低负担监测，在新冠疫情推动远程医疗加速普及的背景下，其意义尤为突出。[1]

传感器如何捕捉行为信号

现代智能手机内置了十余种传感器，它们以不同方式”旁观”着使用者的日常行为。这些传感器分为两类：被动传感（设备自动记录）和主动感知（用户参与问卷或任务）。数字表型研究以被动传感为核心。[9]

🧠 主要传感器类型及其行为含义
  • GPS / 位置传感器：记录移动轨迹，反映社交活跃度、外出频率、活动范围收缩（可能与抑郁相关）
  • 加速度计 / 陀螺仪：捕捉身体活动量、步态模式、睡眠时的体动
  • 屏幕使用记录：解锁次数、使用时长、使用时间段（深夜使用增多可能提示睡眠紊乱）
  • 通话与短信元数据：通话频率、时长、联系人多样性（反映社交功能）
  • 麦克风（声学特征）：语速、语调、停顿模式（语音数字生物标志物）
  • 环境光传感器：间接推断室内/户外活动、昼夜节律规律性
  • Wi-Fi / 蓝牙：位置锚点，推断家庭/工作环境停留时间

可穿戴设备（如智能手表、健身追踪器）进一步扩展了传感维度，可提供心率、心率变异性（HRV）、血氧、皮肤电导等生理指标。一项纳入超过10,000名英国普通人群参与者的大规模研究，使用Fitbit可穿戴设备采集数据，探索这些指标与抑郁、焦虑分数之间的相关性。[20]

2018年发表的一篇系统综述整理了35项研究，归纳了被动感知在健康与幸福感监测中的应用模式，发现运动、地理位置、社交互动和睡眠是最常被采集、也最能预测心理状态的四类信号。[6]

对大学生群体的多模态感知综述（分析了来自六个数字文献库的文献）指出，不同研究采集的”感知情境”各有侧重，睡眠、体力活动和位移是研究最多的三类场景，而情绪表达识别（如面部表情分析）则处于较早期阶段。[2]

应用：从焦虑到精神病性障碍

目前数字表型研究覆盖了多种精神心理状况，其中以抑郁、焦虑及相关障碍研究最为集中。

抑郁与焦虑

一项针对压力、焦虑和轻度抑郁的系统综述（2024年）分析了数字表型捕捉这三类早期症状的证据，指出智能手机行为数据有潜力在症状发展为严重障碍之前进行早期识别。[5]

🔬 研究发现：社交焦虑的被动传感生物标志物

Jacobson等人（2020）利用智能手机被动传感数据（GPS、加速度计、屏幕使用），分析了社交焦虑障碍的数字生物标志物。研究发现，特定传感器特征能够反映社交焦虑严重程度。社交焦虑患者常常回避就医、低报症状——被动数字监测为这一”隐形”人群提供了一种更客观的评估渠道。[12]

Meyerhoff等人（2021）开展了一项16周纵向队列研究，每3周采集一次心理症状数据，同时连续记录手机传感器数据。研究发现，手机传感器衍生的行为特征变化能够预测随后的心理健康症状变化，显示出数字表型在动态追踪症状轨迹方面的可行性。[13]

Di Matteo等人（2021）利用客观智能手机数据，开发了针对社交焦虑、广泛性焦虑和抑郁的自动化筛查模型。这项横断面研究尝试仅凭传感器数据预测个体心理健康状态，无需临床医生直接介入。[14]

大学生心理健康

大学生群体是数字表型研究的重要对象，原因在于：这一群体心理健康需求大、传统服务资源不足，且智能手机使用率极高。一篇回顾25项数字表型研究的临床综述（2020年）指出，数字表型可以作为远程监测和个性化心理支持的实用工具，在疫情期间课堂转移至远程教学后尤为重要。[7]

Currey等人对两个大学生队列（V1: 632名学生，V2: 66名学生）的数字表型数据进行了分析，探索预测模型在不同批次间的泛化能力——这是数字表型走向实际应用的关键问题。研究表明模型的跨样本泛化仍面临挑战。[19]

精神病性障碍与自杀风险

🔬 研究发现：精神病复发的早期预警

Adler等人（2020）使用编码器-解码器神经网络，仅凭被动感知数据（无需主动问卷），对精神分裂症谱系障碍患者的精神病发作早期预警信号进行建模预测。研究旨在构建一套可在家庭环境中连续监测、在复发前自动预警的系统，以便临床医生提前干预。[16]

在自杀风险领域，Kleiman等人（2018）借助实时数字监测，每天四次采集参与者的自杀相关想法，覆盖了既往自杀未遂者（来自网络论坛，n=51，监测28天）和精神科住院患者两个样本。研究发现自杀思维存在显著的个体内部变异性（亚型），这种细粒度的时间动态是传统评估方法无法捕捉到的。[15]

大规模人群筛查

Zhang等人（2025）报告了迄今最大规模的数字表型研究之一：纳入英国普通人群10,129名参与者，采集时间跨度从2020年6月至2022年8月。研究发现可穿戴设备采集的特征与抑郁、焦虑评分之间存在相关性，并证明了数字表型在一般人群大规模筛查场景中的可行性。[20]

机器学习如何从原始数据中提取特征

手机传感器每天产生的是海量原始数据——加速度值、GPS坐标、Wi-Fi信号强度。这些数字本身没有意义；要将它们转化为有价值的心理健康指标，需要一套从原始数据到行为特征、再到预测结果的完整处理流程。

⚡ 数字表型数据处理流程

第一步：原始数据采集
传感器连续采集数据（GPS坐标、屏幕事件、加速度向量……）

第二步：特征工程
将原始数据转化为有意义的行为特征，例如：
• GPS数据 → “活动半径”、”常驻位置数”、”家庭停留时间占比”
• 屏幕数据 → “日均解锁次数”、”深夜使用时长”、”使用间隔分布”
• 加速度数据 → “步数”、”久坐时长”、”睡眠体动分数”

第三步：机器学习建模
使用监督学习（随机森林、支持向量机、神经网络）或无监督学习，将行为特征映射到心理健康结果（症状分数、诊断类别）

第四步：验证与泛化检验
在独立样本中测试模型表现，评估跨场景泛化能力

Linardon等人（2025）的综述专门梳理了智能手机数字表型在精神疾病研究中所使用的原始传感器类型、机器学习流程和衍生行为特征，指出由于各研究使用的传感器组合和特征工程方法差异巨大，导致研究间结果难以直接比较，标准化是当前亟待解决的问题。[9]

Shvetcov等人（2024）以大学生群体为对象，使用监督机器学习方法（包含GPS和步数检测等被动感知特征）预测压力水平，证明了机器学习流程在实际应用中的可行性，同时也指出预测精度仍有提升空间。[17]

Mendes等人（2022）的系统综述从技术角度审视了现有感知应用和公开数据集，为研究社区绘制了一张数字表型工具的”地图”，涵盖可用感知App、数据集类型和传感器覆盖范围。[4]

与神经科学的连接

数字表型不仅仅是精神科评估工具的延伸——它也为神经科学研究打开了一扇新窗口。

🧠 智能手机研究如何推进神经科学

Gillan等人（2021）在《神经科学年度综述》发表论文，从神经科学视角阐述了基于智能手机的研究方法将如何推动精神健康神经生物学的进步。论文指出，精神疾病的神经生物学研究长期受困于样本量小、多样性不足的问题；而智能手机方法有望从大规模、多样化群体中采集纵向数据，从而更好地揭示精神疾病的复杂性和个体差异性。[11]

该论文提出了一个重要视角：传统神经科学研究（脑成像、电生理）在实验室环境中运行，样本量通常在数十至数百人之间；而智能手机研究可以以低成本、低侵入性的方式，在真实生活环境中追踪远超传统规模的大样本行为动态。这两种研究范式的结合，或许能够建立起大脑活动与真实世界行为之间的桥梁。[11]

例如，睡眠是大脑健康的核心指标——手机传感器可以监测睡眠时间、规律性和中断情况，而这些参数与额叶功能、情绪调节网络的活动状态密切相关。Cohen等人（2025）使用数字表型数据配合异常检测算法，评估跨诊断临床样本中情绪和焦虑症状的变化，将被动传感器信号（尤其是睡眠标记）作为症状变化的补充客观指标。[21]

正在进行的SWARTS-DA研究（韩国，2025年发表协议）计划同时使用智能手机和可穿戴设备为抑郁和焦虑建立预测模型，将多维度数字表型数据整合到同一框架中，为理解这两种最常见的精神障碍提供更立体的视角。[22]

当前面临的挑战

尽管数字表型展现出令人振奋的潜力，这一领域目前仍在应对多重系统性挑战。

科学层面的挑战

⚠️ 方法论挑战：缺乏标准化

一个突出问题是研究间方法高度异质。不同研究采用不同的传感器、不同的采集App、不同的特征提取算法和不同的机器学习方法。这导致研究结果之间难以直接比较，也使得单项研究发现的可重复性存疑。Linardon等人的综述（2025）和Currey等人的大样本分析（2022）均指出了这一问题，后者发现不同研究报告的传感器数据与问卷分数之间的相关性变异范围极大。[9][18]

模型的泛化能力是另一个核心问题。在某个特定样本（如某所大学的学生）上训练的预测模型，往往难以在不同背景、文化、年龄段的人群中保持同样的预测精度。Currey等人（2023）在两个大学生队列中检验了数字表型模型的泛化性，结论是这一问题仍然存在且需要认真对待。[19]

数据的”客观性”是幻象？

Birk等人（2022）从社会科学视角提出了三条对数字表型的批评：

ℹ️ 三种系统性批评
  • 数字数据并不中立：传感器数据的采集、处理和解读都嵌入了特定的假设和价值判断
  • 算法存在偏见：训练数据若缺乏多样性，模型对边缘化群体的预测可能系统性地不准确
  • 隐私与伦理风险：持续监测个人行为数据引发数据安全、知情同意和潜在污名化等伦理议题

这些批评并不是要否定数字表型，而是提示该领域在快速发展的同时需要持续的批判性反思。[8]

临床转化的距离

目前多数数字表型研究属于探索性质，停留在”相关性”层面——特定传感器特征与心理症状之间存在统计关联。从相关性到可用于临床决策的可靠预测工具，还需要更大规模的随机对照研究、监管审查和临床整合工作。

Müller-Bardorff等人（2024）发表的一项RCT协议，计划利用被动感知特征优化焦虑障碍的认知行为治疗（CBT）效果预测——这代表数字表型正在向临床干预应用迈进，但该研究目前仍在进行阶段。[10]

未来方向

数字表型领域正在几个维度上同步推进：

ℹ️ 前沿发展趋势
  • 多模态融合：将智能手机被动数据、可穿戴生理数据、主动问卷（EMA）和认知测试整合到统一框架，提升预测精度[2]
  • 标准化与可重复性：建立行业标准的传感器采集协议和特征提取流程，使不同研究结果可以横向比较[9]
  • 临床随机对照试验：从探索性相关研究升级到干预性RCT，验证数字表型引导的个性化治疗是否真正改善患者结局[10]
  • 大规模人群研究：突破小样本限制，在真实世界中验证模型的稳健性和泛化能力[20]
  • 伦理框架建设：建立数据隐私保护标准、透明算法审计机制和公平性评估框架[8]

从更宏观的视角来看，数字表型代表了精神医学向连续性、生态效度高、以个体为中心的评估范式转变的一部分。精神疾病的诊断长期依赖横断面快照，而数字表型提供的是动态时间序列——这与大脑实际运作的连续性更为吻合。

Heckler等人（2025）的系统综述综合分析了数字表型与数据分析方法的研究现状，指出该领域的未来在于将先进的数据科学方法与精神医学临床需求深度整合，最终形成真正可落地的智能化心理健康管理工具。[3]

📌 要点回顾

  • 数字表型的核心思路：通过智能手机和可穿戴设备产生的被动数据（GPS、屏幕使用、加速度计等），提取可反映心理状态的行为标记物，实现远程、连续、低负担的心理健康监测[1][3]
  • 覆盖广泛的应用场景：研究涵盖抑郁、焦虑、社交焦虑、压力、精神病性障碍复发预警及自杀风险监测，其中以大学生群体和早期症状识别的研究最为集中[5][7][16]
  • 机器学习是核心引擎：原始传感器数据需经过特征工程和机器学习建模，才能转化为有预测价值的心理健康指标；但当前各研究方法高度异质，标准化是待解难题[9]
  • 与神经科学的整合潜力：智能手机研究方法有望突破传统神经科学研究的样本量限制，在真实生活场景中采集大规模纵向数据，为精神疾病的神经生物学提供新的研究视角[11]
  • 挑战是真实存在的：方法标准化缺失、模型泛化能力有限、数据”客观性”的局限，以及隐私与伦理风险，都是这一领域需要认真应对的系统性问题[8][18]
  • 临床转化仍在路上：当前多数研究属于探索性相关研究，向临床可用的预测工具迈进，还需要大规模RCT验证和监管审查[10]

📚 参考文献

  1. Bufano P et al. (2023). Digital Phenotyping for Monitoring Mental Disorders: Systematic Review. Journal of medical Internet research. PMID: 38090800
  2. Moura I et al. (2023). Digital Phenotyping of Mental Health using multimodal sensing of multiple situations of interest: A Systematic Literature Review. Journal of biomedical informatics. PMID: 36586498
  3. Heckler W et al. (2025). Digital phenotyping for mental health based on data analytics: A systematic literature review. Artificial intelligence in medicine. PMID: 40058310
  4. Mendes J et al. (2022). Sensing Apps and Public Data Sets for Digital Phenotyping of Mental Health: Systematic Review. Journal of medical Internet research. PMID: 35175202
  5. Choi A et al. (2024). Digital Phenotyping for Stress, Anxiety, and Mild Depression: Systematic Literature Review. JMIR mHealth and uHealth. PMID: 38780995
  6. Cornet V et al. (2018). Systematic review of smartphone-based passive sensing for health and wellbeing. Journal of biomedical informatics. PMID: 29248628
  7. Melcher J et al. (2020). Digital phenotyping for mental health of college students: a clinical review. Evidence-based mental health. PMID: 32998937
  8. Birk R et al. (2022). Digital Phenotyping for Mental Health: Reviewing the Challenges of Using Data to Monitor and Predict Mental Health Problems. Current psychiatry reports. PMID: 36001220
  9. Linardon J et al. (2025). Smartphone digital phenotyping in mental health disorders: A review of raw sensors utilized, machine learning processing pipelines, and derived behavioral features. Psychiatry research. PMID: 40187059
  10. Müller-Bardorff M et al. (2024). Optimizing Outcomes in Psychotherapy for Anxiety Disorders Using Smartphone-Based and Passive Sensing Features: Protocol for a Randomized Controlled Trial. JMIR research protocols. PMID: 38743473
  11. Gillan C et al. (2021). Smartphones and the Neuroscience of Mental Health. Annual review of neuroscience. PMID: 33556250
  12. Jacobson N et al. (2020). Digital Biomarkers of Social Anxiety Severity: Digital Phenotyping Using Passive Smartphone Sensors. Journal of medical Internet research. PMID: 32348284
  13. Meyerhoff J et al. (2021). Evaluation of Changes in Depression, Anxiety, and Social Anxiety Using Smartphone Sensor Features: Longitudinal Cohort Study. Journal of medical Internet research. PMID: 34477562
  14. Di Matteo D et al. (2021). Automated Screening for Social Anxiety, Generalized Anxiety, and Depression From Objective Smartphone-Collected Data: Cross-sectional Study. Journal of medical Internet research. PMID: 34397386
  15. Kleiman E et al. (2018). Digital phenotyping of suicidal thoughts. Depression and anxiety. PMID: 29637663
  16. Adler D et al. (2020). Predicting Early Warning Signs of Psychotic Relapse From Passive Sensing Data: An Approach Using Encoder-Decoder Neural Networks. JMIR mHealth and uHealth. PMID: 32865506
  17. Shvetcov A et al. (2024). Passive sensing data predicts stress in university students: a supervised machine learning method for digital phenotyping. Frontiers in psychiatry. PMID: 39252756
  18. Currey D et al. (2022). Digital phenotyping correlations in larger mental health samples: analysis and replication. BJPsych open. PMID: 35657687
  19. Currey D et al. (2023). Digital Phenotyping Models of Symptom Improvement in College Mental Health: Generalizability Across Two Cohorts. Journal of technology in behavioral science. PMID: 37362062
  20. Zhang Y et al. (2025). Large-scale digital phenotyping: Identifying depression and anxiety indicators in a general UK population with over 10,000 participants. Journal of affective disorders. PMID: 39892753
  21. Cohen A et al. (2025). Digital phenotyping data and anomaly detection methods to assess changes in mood and anxiety symptoms across a transdiagnostic clinical sample. Acta psychiatrica Scandinavica. PMID: 38807465
  22. Shin Y et al. (2025). Development of prediction models for screening depression and anxiety using smartphone and wearable-based digital phenotyping: protocol for the Smartphone and Wearable Assessment for Real-Time Screening of Depression and Anxiety (SWARTS-DA) observational study in Korea. BMJ open. PMID: 40541438