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

Riepilogo Tecnico: Un Dataset di Dispositivi Indossabili per la Valutazione della Salute Mentale Utilizzando Sensori di Laser Doppler Flowmetry e Spettroscopia di Fluorescenza

Problematica
Le attuali valutazioni della salute mentale per condizioni quali depressione, ansia e stress si affidano pesantemente a questionari soggettivi auto-riferiti e a modalità fisiologiche limitate come la variabilità della frequenza cardiaca (HRV) e l'attività elettrodermica (EDA). Questi approcci affrontano sfide riguardanti la generalizzabilità a causa della dipendenza dai resoconti soggettivi, dalle capacità di rilevamento ristrette e dalla prevalenza di dataset piccoli o omogenei. Inoltre, le attuali modalità indossabili forniscono marcatori indiretti degli stati psicologici e sono altamente sensibili a fattori di disturbo come gli artefatti da movimento, la temperatura ambiente e l'idratazione cutanea. Esiste la necessità di strumenti oggettivi e non invasivi che possano catturare firme fisiologiche dirette degli stati di salute mentale legati allo stress per supportare un monitoraggio scalabile.

Metodologia
Lo studio presenta uno studio osservazionale prospettico che coinvolge 132 adulti (età 18–94, 58% femmine) provenienti da 19 paesi. Il protocollo di raccolta dati ha previsto quattro fasi:

1. Reclutamento e Screening: I partecipanti sono stati sottoposti a screening per escludere condizioni dermatologiche che interessavano mani o polpastrelli.
2. Rilevamento Wearable: È stato utilizzato un dispositivo indossabile non invasivo che combina la Laser Doppler Flowmetry (LDF) e la Spettroscopia di Fluorescenza (FS) per misurare i segnali dei polpastrelli. I partecipanti erano in posizione supina per otto minuti per garantire il riposo.
   • LDF: Ha catturato la perfusione microvascolare e i meccanismi di regolazione del flusso sanguigno. I segnali sono stati analizzati utilizzando l'analisi wavelet adattiva (wavelet di Morlet a valori complessi) per estrarre le caratteristiche nel dominio della frequenza in cinque bande: endotelica (0,0095–0,02 Hz), neurogenica (0,02–0,06 Hz), miogena (0,06–0,16 Hz), respiratoria (0,16–0,4 Hz) e cardiaca (0,4–1,6 Hz).
   • FS: Ha registrato gli spettri di fluorescenza tissutale per valutare l'attività metabolica, inclusi coenzimi come NADH e FAD, e l'accumulo di prodotti finali dell'glicazione avanzata (AGEs).
3. Antropometria e Demografia: Altezza, peso, frequenza cardiaca e altri fattori dello stile di vita sono stati registrati.
4. Valutazione Psicologica: I partecipanti hanno completato le Scale di Depressione, Ansia e Stress (DASS-21), un questionario di 21 item. I punteggi sono stati categorizzati in gruppi "Normal" (benessere) e "Abnormal" (stressato), nonché in livelli di gravità multiclasse (Normale, Lieve, Moderata, Grave, Estremamente Grave).

Framework di Machine Learning e Analisi
Lo studio ha valutato molteplici architetture di machine learning (Support Vector Machine, Random Forest, Gradient Boosting, CatBoost, LightGBM e Multi-layer Perceptron) sotto rigorosi schemi di validazione per garantire la generalizzabilità per soggetto.

• Strategie di Validazione: I modelli sono stati testati utilizzando split casuali 80:20, validazione incrociata a 5 pieghe (5-fold cross-validation) e validazione Leave-One-Patient-Out (LOPO) per prevenire la fuga di dati (data leakage) derivante dalla presenza dello stesso partecipante sia nel set di addestramento che in quello di test.
• Task di Classificazione: Sono state eseguite sia la classificazione binaria (Normale vs. Anormale) che la classificazione multiclasse (livelli di gravità).
• Selezione delle Caratteristiche: Gli esperimenti sono stati condotti utilizzando tutte le caratteristiche, solo le caratteristiche derivate dal wearable e le top-10 caratteristiche più importanti.
• Intelligenza Artificiale Spiegabile (XAI): I valori SHAP (Shapley Additive Explanations) sono stati impiegati per interpretare il modello LightGBM, identificando quali caratteristiche fisiologiche e demografiche guidassero le predizioni.

Contributi Chiave

1. Creazione del Dataset: Gli autori hanno stabilito uno dei dataset multimodali più grandi e sistematicamente caratterizzati per la ricerca sulla salute mentale, integrando segnali LDF e FS da 132 partecipanti collegati con valutazioni DASS-21 validate.
2. Benchmarking dei Modelli: È stata condotta una valutazione rigorosa di modelli di machine learning per la classificazione fisiologica multimodale, dimostrando che i modelli ensemble (specificamente LightGBM) offrono una robusta generalizzazione all'interno di questo spazio di caratteristiche.
3. Interpretabilità: Lo studio ha utilizzato l'XAI per "svelare la scatola nera", identificando specifiche firme fisiologiche (variabilità microcircolatoria e fluorescenza metabolica) e fattori demografici associati a sintomi legati allo stress.

Risultati

• Performance di Classificazione Binaria: Sotto validazione per soggetto (LOPO), i modelli ensemble hanno distinto gli individui con sintomi legati allo stress da quelli senza con un'Area Sotto la Curva ROC (ROC AUC) di 0,72 e una Precision-Recall AUC di 0,89. LightGBM ha superato costantemente gli altri modelli.
• Classificazione Multiclasse: Sebbene i modelli abbiano raggiunto punteggi quasi perfetti su split casuali 80:20 (ad esempio, ROC AUC di LightGBM ~0,99), le performance sono diminuite significamente sotto validazione LOPO (Macro ROC AUC ~0,57), evidenziando la sfida della generalizzazione inter-soggetto per i livelli di gravità specifici.
• Importanza delle Caratteristiche: L'analisi SHAP ha identificato l'Indice di Massa Corporea (BMI), l'età, il genere e la frequenza cardiaca come le caratteristiche più influenti.
  • Demografia: L'analisi statistica ha confermato che le partecipanti femmine riportavano livelli di disagio significativamente più alti rispetto ai maschi. Gli individui di mezza età (25–45 anni) mostravano punteggi di stress più elevati rispetto ai gruppi più giovani o più anziani.
  • Fisiologia: Le caratteristiche della variabilità microcircolatoria e della fluorescenza metabolica hanno contribuito sostanzialmente alla performance predittiva.
• Top-10 Caratteristiche: L'utilizzo delle sole top-10 caratteristiche più importanti ha migliorato l'efficienza e mantenuto o migliorato leggermente le metriche di performance (ad esempio, ROC AUC di LightGBM di 0,7168 con validazione a 5 pieghe), suggerendo che un set di caratteristiche ridotto è praticabile per il deployment reale.

Significato e Rivendicazioni
L'articolo sostiene che il sensing ottico indossabile, quando combinato con il machine learning interpretabile, fornisce firme fisiologiche associate a condizioni di salute mentale legate allo stress. Il framework supporta lo sviluppo di strumenti scalabili e basati sui dati per il monitoraggio oggettivo della salute mentale.

Gli autori sottolineano che, sebbene il dataset sia diversificato e multimodale, lo studio è modesto riguardo alla diagnosi clinica. I punteggi DASS-21 riflettono i sintomi auto-riferiti nell'ultima settimana e non costituiscono diagnosi cliniche. La significativa diminuzione delle performance sotto validazione indipendente dal soggetto (LOPO) evidenzia l'elevata variabilità inter-individuale dei segnali fisiologici. Di conseguenza, gli autori concludono che la ricerca futura deve dare priorità all'apprendimento di rappresentazioni invarianti rispetto al soggetto e a studi multicentrici più ampi per migliorare la generalizzazione tra gli individui. Il lavoro funge da passo fondamentale verso un monitoraggio della salute mentale non invasivo e oggettivo, colmando il divario tra fisiologia microvascolare/metabolica e stati psicologici.