A Wearable Device Dataset for Mental Health Assessment Using Laser Doppler Flowmetry and Fluorescence Spectroscopy Sensors

Resumen Técnico: Un conjunto de datos de un dispositivo vestible para la evaluación de la salud mental mediante sensores de Doppler láser de flujo y espectroscopia de fluorescencia

Planteamiento del problema
Las evaluaciones actuales de la salud mental para condiciones como la depresión, la ansiedad y el estrés dependen en gran medida de cuestionarios subjetivos de autoinforme y de modalidades fisiológicas limitadas como la variabilidad de la frecuencia cardíaca (VFC) y la actividad electrodérmica (EDA). Estos enfoques enfrentan desafíos de generalización debido a la dependencia de informes subjetivos, capacidades de sensores restringidas y la prevalencia de conjuntos de datos pequeños o homogéneos. Además, las modalidades de dispositivos vestibles existentes suelen proporcionar marcadores indirectos de estados psicológicos y son altamente sensibles a factores de confusión como los artefactos de movimiento, la temperatura ambiente y la hidratación de la piel. Existe una necesidad de herramientas objetivas y no invasivas que puedan capturar firmas fisiológicas directas de los estados de salud mental relacionados con el estrés para apoyar un monitoreo escalable.

Metodología
El estudio presenta un estudio observacional prospectivo que involucra a 132 adultos (de 18 a 94 años, 58% mujeres) de 19 países. El protocolo de recolección de datos consistió en cuatro pasos:

1. Reclutamiento y cribado: Se sometieron los participantes a un cribado para excluir condiciones dermatológicas que afectaran las manos o las yemas de los dedos.
2. Detección mediante dispositivos vestibles: Se utilizó un dispositivo vestible no invasivo que combina Doppler láser de flujo (LDF) y Espectroscopia de Fluorescencia (FS) para medir las señales de la yema del dedo. Los participantes permanecieron en posición supina durante ocho minutos para asegurar el reposo.
   • LDF: Capturó la perfusión microvascular y los mecanismos de regulación del flujo sanguíneo. Las señales se analizaron mediante un análisis de wavelet adaptativo (wavelets de Morlet de valor complejo) para extraer características en el dominio de la frecuencia a través de cinco bandas: endotelial (0.0095–0.02 Hz), neurogénica (0.02–0.06 Hz), miogénica (0.06–0.16 Hz), respiratoria (0.16–0.4 Hz) y cardíaca (0.4–1.6 Hz).
   • FS: Registró los espectros de fluorescencia tisular para evaluar la actividad metabólica, incluyendo coenzimas como NADH y FAD, y la acumulación de productos finales de glicación avanzada (AGEs).
3. Antropometría y demografía: Se registraron la altura, el peso, la frecuencia cardíaca y otros factores del estilo de vida.
4. Evaluación psicológica: Los participantes completaron las Escalas de Depresión, Ansiedad y Estrés (DASS-21), un cuestionario de 21 ítems. Las puntuaciones se categorizaron en grupos "Normal" (bienestar) y "Anormal" (estrés), así como en niveles de severidad multiclasificación (Normal, Leve, Moderado, Severo, Extremadamente Severo).

Marco de Aprendizaje Automático y Análisis
El estudio evaluó múltiples arquitecturas de aprendizaje automático (Máquina de Vectores de Soporte, Bosque Aleatorio, Gradient Boosting, CatBoost, LightGBM y Perceptrón Multicapa) bajo esquemas de validación estrictos para asegurar la generalizabilidad por sujeto.

• Estrategias de validación: Los modelos fueron probados utilizando divisiones aleatorias 80:20, validación cruzada de 5 pliegues (5-fold) y validación de dejar a un paciente fuera (Leave-One-Patient-Out, LOPO) para evitar la fuga de datos del mismo participante en los conjuntos de entrenamiento y prueba.
• Tareas de clasificación: Se realizaron tanto la clasificación binaria (Normal vs. Anormal) como la clasificación multiclasificación (niveles de severidad).
• Selección de características: Los experimentos se realizaron utilizando todas las características, solo las características derivadas de los dispositivos vestibles y las 10 características más importantes.
• IA Explicable (XAI): Se emplearon valores SHAP (Valores de Explicación de Shapley) para interpretar el modelo LightGBM, identificando qué características fisiológicas y demográficas impulsaron las predicciones.

Contribuciones Clave

1. Creación de un conjunto de datos: Los autores establecieron uno de los conjuntos de datos multimodales más grandes y sistemáticamente caracterizados para la investigación de la salud mental, integrando señales de LDF y FS de 132 participantes vinculadas con evaluaciones validadas de DASS-21.
2. Benchmarking de modelos: Se llevó a cabo una evaluación riguroosa de modelos de aprendizaje automático para la clasificación fisiológica multimodal, demostrando que los modelos de ensamble (específicamente LightGBM) ofrecen una generalización robusta dentro de este espacio de características.
3. Interpretabilidad: El estudio utilizó XAI para "desvelar la caja negra", identificando firmas fisiológicas específicas (variabilidad microcirculatoria y fluorescencia metabólica) y factores demográficos asociados con síntomas relacionados con el estrés.

Resultados

• Desempeño de la Clasificación Binaria: Bajo validación por sujeto (LOPO), los modelos de ensamble distinguieron a individuos con síntomas relacionados con el estrés de aquellos sin ellos con un Área Bajo la Curva ROC (ROC AUC) de 0.72 y un AUC de Precisión-Recall de 0.89. LightGBM superó consistentemente a otros modelos.
• Clasificación Multiclase: Aunque los modelos lograron puntuaciones casi perfectas en divisiones aleatorias 80:20 (por ejemplo, ROC AUC de LightGBM ~0.99), el desempeño cayó significativamente bajo la validación LOPO (Macro ROC AUC ~0.57), resaltando el desafío de la generalización inter-sujeto para niveles de severidad específicos.
• Importancia de las Características: El análisis SHAP identificó el Índice de Masa Corporal (IMC), la edad, el género y la frecuencia cardíaca como las características más influyentes.
  • Demografía: El análisis estadístico confirmó que las participantes femeninas reportaron niveles de angustia significativamente más altos que los hombres. Los individuos de mediana edad (25–45 años) mostraron puntuaciones de estrés más altas en comparación con los grupos más jóvenes o de mayor edad.
  • Fisiología: Las características de variabilidad microcirculatoria y de fluorescencia metabólica contribuyeron sustancialmente al desempeño de la predicción.
• Top-10 Características: El uso de solo las 10 características más importantes mejoró la eficiencia y mantuvo o aumentó ligeramente las métricas de desempeño (por ejemplo, ROC AUC de LightGBM de 0.7168 con validación de 5 pliegues), lo que sugiere que un conjunto de características reducido es viable para el despliegue práctico.

Significancia y Reivindicaciones
El artículo afirma que la detección óptica mediante dispositivos vestibles, cuando se combina con aprendizaje automático interpretable, proporciona firmas fisiológicas asociadas con condiciones de salud mental relacionadas con el estrés. El marco soporta el desarrollo de herramientas escalables y basadas en datos para el monitoreo objetivo de la salud mental.

Los autores enfatizan que, si bien el conjunto de datos es diverso y multimodal, el estudio es modesto respecto al diagnóstico clínico. Las puntuaciones de DASS-21 reflejan síntomas autoinformados durante la última semana y no constituyen diagnósticos clínicos. La caída significativa en el desempeño bajo la validación independiente del sujeto (LOPO) subraya la alta variabilidad interindividual en las señales fisiológicas. En consecuencia, los autores concluyen que la investigación futura debe priorizar el aprendizaje de representaciones invariantes al sujeto y estudios multicéntricos más grandes para mejorar la generalización entre individuos. El trabajo sirve como un paso fundacional hacia el monitoreo de la salud mental objetivo y no invasivo, cerrando la breancia entre la fisiología microvascular/metabólica y los estados psicológicos.