《Applied Sciences》：Predicting Depressive Relapse in Patients with Major Depressive Disorder Using AI from Smartphone Behavioral Data
Brian Premchand,
Neeraj Kothari,
Isabelle Q. Tay,
Kunal Shah,
Yee Ming Mok,
Jonathan Han Loong Kuek,
Wee Onn Lim and
Kai Keng Ang
编辑推荐：
研究人员针对驾驶员心理负荷的实时监测需求，提出了一种多模态机器学习框架，用于分类驾驶员在不同任务条件下的心理负荷水平。实验采用驾驶模拟器，招募26名参与者，在两种心理负荷条件下（无次级任务与听觉2-back记忆任务）采集眼动指标、生理信号及驾驶行为特征。研究共
研究人员针对驾驶员心理负荷的实时监测需求，提出了一种多模态机器学习框架，用于分类驾驶员在不同任务条件下的心理负荷水平。实验采用驾驶模拟器，招募26名参与者，在两种心理负荷条件下（无次级任务与听觉2-back记忆任务）采集眼动指标、生理信号及驾驶行为特征。研究共评估了七种特征组合与六种分类算法。结果表明，眼动指标是最具信息量的模态，且特征选择对分类性能的影响大于算法选择。支持向量机（Support Vector Machine, SVM）在优化特征子集后表现最佳，测试集准确率达87.8%，受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, AUC）为0.95。为提高模型透明度，研究人员采用SHapley Additive exPlanations（SHAP）方法进行解释性分析，识别出眨眼频率与心率等关键预测因子，并揭示了视觉与生理变量之间的协同效应。该模型在隧道入口场景中得到验证，能够识别随纵向坡度增加而升高的心理负荷。研究强调，多模态数据融合——尤其是眼动指标——在心理负荷评估中具有重要价值。未来的实际应用应优先考虑特征多样性而非算法复杂度，以提升心理负荷监测系统的现实适用性。
该研究由Brian Premchand等学者发表于《Applied Sciences》，聚焦于驾驶员心理负荷的多模态智能评估与可解释建模。当前驾驶员心理负荷评估依赖主观评分、任务绩效测量与生理指标三类方法，但主观评分易受干扰与回忆偏差影响，单一客观指标难以实现精确量化与实时预测，尤其在复杂驾驶环境中缺乏鲁棒的分类模型。为此，研究人员构建驾驶模拟实验，融合驾驶行为、眼动与生理信号，系统比较特征选择与算法选择对模型性能的影响，并通过可解释人工智能方法揭示关键影响因素，最终在隧道入口场景中验证模型的实用性与环境敏感性。
关键技术方法包括：1）招募35名驾驶员，经数据筛选保留26人样本，采用三自由度运动平台驾驶模拟器，同步采集驾驶行为（50 Hz）、眼动（Dikablis Glasses 3，60 Hz）与生理信号（心电与皮电，1000 Hz）；2）设计开放路段与隧道路段场景，以有无听觉2-back任务区分正常与高心理负荷，形成二分类标签；3）提取驾驶表现、眼动与生理三类共12项特征，构建七种特征组合；4）采用逻辑回归（Logistic Regression）、朴素贝叶斯（Naive Bayes）、K近邻（K-Nearest Neighbors, KNN）、随机森林（Random Forest）、支持向量机（SVM）与XGBoost六种算法进行建模；5）通过10×10交叉验证与网格搜索优化超参数，以准确率（Accuracy, ACC）与AUC为评价指标；6）应用Sequential Backward Selection（SBS）进行特征优选，并以KernelSHAP解释模型预测机制。
研究结果分为以下部分：
3.1 数据预处理与特征生成：从驾驶行为中提取速度均值与标准差、横向位置均值与标准差、油门与刹车踏板位置等6项特征；眼动数据提取眨眼率与水平注视位置标准差；生理信号提取心率、心率增长率、心跳间隔标准差（Standard Deviation of NN intervals, SDNN）与皮电水平标准差（Standard Deviation of Skin Conductance Level, SCL）。Pearson相关性分析显示特征间相关系数均低于0.65，独立性良好。七种特征组合分别为驾驶表现（Perf）、眼动（Eye）、生理（Phys）、驾驶+眼动（Perf_Eye）、驾驶+生理（Perf_Phys）、眼动+生理（Eye_Phys）与全特征（All）。
3.2 模型开发与结果：数据集按8:2划分为训练集与测试集，采用10×10交叉验证。方差分析显示特征组与算法均对性能有显著影响（p<0.001）。特征层面，仅驾驶表现组ACC最低（57.94%），含眼动特征的组显著优于其他组，Eye_Phys至All组的AUC增益趋缓，表明特征多样性比数量更重要。算法层面，朴素贝叶斯与KNN表现最差，逻辑回归与复杂模型（随机森林、SVM、XGBoost）差距较小；Eye特征组中逻辑回归表现最优，Perf特征组中则劣于SVM与随机森林。综合来看，特征选择的影响大于算法选择。
3.3 模型解释：SBS优化后，SVM在全特征集上取得最优性能（ACC=0.878，AUC=0.95），最终保留特征包括平均横向位置、平均速度、平均油门位置、眨眼率、水平注视位置标准差、心率与心率增长率。SHAP分析显示，眨眼率贡献最大，呈正向关联；心率次之，高值对应高负荷；水平注视位置标准差为负向关联，低值预示高负荷；速度呈弱正向关联。交互效应分析发现，眨眼率与心率增长率协同增强负荷预测，心率与速度的联合作用在高心率阈值（>80 bpm）下显著，水平注视位置标准差与油门位置的结合在低注视变异性时提高负荷预测值。
4. 隧道入口场景应用：在324个隧道入口样本中，模型判定214例为高负荷，比例约2:1。纵向坡度越大，高负荷比例越高（4.0%坡度达93%，2.5%坡度仅33%）；光照条件影响较弱，即便亮度对比最小仍存23.8%高负荷案例，表明隧道结构本身亦增加认知负担。
讨论与结论部分指出，本研究证明多模态数据融合，尤其眼动指标，在心理负荷评估中具有核心地位。特征选择的重要性高于算法选择，适度复杂模型配合精选特征即可达到高性能。SVM模型兼具精度与效率，SHAP解释揭示了生理与行为特征的交互机制。隧道入口验证显示道路几何因素比照明更具影响力。研究局限性包括样本性别不均、模拟环境生态效度有限、未覆盖自动驾驶情境及传感器成本问题，未来将扩展至自然驾驶与更高自动化等级验证。该研究为认知感知驾驶系统的开发提供了方法论与实践依据。
