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

Resumo Técnico: Um Conjunto de Dados de Dispositivo Vestível para Avaliação de Saúde Mental Usando Sensores de Doppler a Laser e Espectroscopia de Fluorescência

Definição do Problema
As avaliações atuais de saúde mental para condições como depressão, ansiedade e estresse dependem fortemente de questionários subjetivos de autorrelato e de modalidades fisiológicas limitadas, como a variabilidade da frequência cardíaca (VFC) e a atividade eletrodérmica (EDA). Essas abordagens enfrentam desafios de generalização devido à dependência de relatos subjetivos, capacidades de sensores restritas e à prevalência de conjuntos de dados pequenos ou homogêneos. Além disso, os dispositivos vestíveis existentes frequentemente fornecem marcadores indiretos de estados psicológicos e são altamente sensíveis a fatores de confusão, como artefatos de movimento, temperatura ambiente e hidratação da pele. Há uma necessidade de ferramentas objetivas e não invasivas que possam capturar assinaturas fisiológicas diretas de estados de saúde mental relacionados ao estresse para apoiar o monitoramento escalável.

Metodologia
O estudo apresenta um estudo observacional prospectivo envolvendo 132 adultos (idades entre 18–94 anos, 58% mulheres) de 19 países. O protocolo de coleta de dados envolveu quatro etapas:

1. Recrutamento e Triagem: Os participantes foram triados para excluir condições dermatológicas que afetassem as mãos ou as pontas dos dedos.
2. Sensoriamento Vestível: Foi utilizado um dispositivo vestível não invasivo combinando Doppler a Laser (LDF) e Espectroscopia de Fluorescência (FS) para medir sinais da ponta dos dedos. Os participantes permaneceram em posição supina por oito minutos para garantir o repouso.
   • LDF: Capturou a perfusão microvascular e os mecanismos regulatórios do fluxo sanguíneo. Os sinais foram analisados usando análise de wavelet adaptativa (wavelets de Morlet de valor complexo) para extrair características no domínio da frequência em cinco bandas: endotelial (0,0095–0,02 Hz), neurogênica (0,02–0,06 Hz), miogênica (0,06–0,16 Hz), respiratória (0,16–0,4 Hz) e cardíaca (0,4–1,6 Hz).
   • FS: Registrou espectros de fluorescência tecidual para avaliar a atividade metabólica, incluindo coenzimas como NADH e FAD, e o acúmulo de Produtos de Glicação Avançada (AGEs).
3. Antropometria e Demografia: Altura, peso, frequência cardíaca e outros fatores de estilo de vida foram registrados.
4. Avaliação Psicológica: Os participantes completaram as Escalas de Depressão, Ansiedade e Estresse (DASS-21), um questionário de 21 itens. As pontuações foram categorizadas em grupos "Normal" (bem-estar) e "Anormal" (estressado), bem como níveis de gravidade multiclasse (Normal, Leve, Moderado, Grave, Extremamente Grave).

Estrutura de Aprendizado de Máquina e Análise
O estudo avaliou múltiplas arquiteturas de aprendizado de máquina (Support Vector Machine, Random Forest, Gradient Boosting, CatBoost, LightGBM e Perceptron Multicamadas) sob esquemas de validação rigorosos para garantir a generalização por sujeito.

• Estratégias de Validação: Os modelos foram testados usando divisões aleatórias de 80:20, validação cruzada de 5 dobras (5-fold) e validação Leave-One-Patient-Out (LOPO) para evitar o vazamento de dados (data leakage) do mesmo participante aparecendo tanto no conjunto de treinamento quanto no de teste.
• Tarefas de Classificação: Foram realizadas tanto a classificação binária (Normal vs. Anormal) quanto a classificação multiclasse (níveis de gravidade).
• Seleção de Características: Experimentos foram conduzidos usando todas as características, apenas características derivadas do vestível e as 10 características mais importantes.
• IA Explicável (XAI): Valores SHAP (Shapley Additive Explanations) foram empregados para interpretar o modelo LightGBM, identificando quais características fisiológicas e demográficas impulsionaram as previsões.

Principais Contribuições

1. Criação de Conjunto de Dados: Os autores estabeleceram um dos maiores e mais sistematicamente caracterizados conjuntos de dados multimodais para pesquisa de saúde mental, integrando sinais de LDF e FS de 132 participantes vinculados a avaliações validadas da DASS-21.
2. Benchmarking de Modelos: Uma avaliação rigorosa de modelos de aprendizado de máquina para classificação fisiológica multimodal foi realizada, demonstrando que modelos baseados em ensemble (especificamente o LightGBM) oferecem generalização robusta dentro deste espaço de características.
3. Interpretabilidade: O estudo utilizou XAI para "revelar a caixa preta", identificando assinaturas fisiológicas específicas (variabilidade microcirculatória e fluorescência metabólica) e fatores demográficos associados a sintomas relacionados ao estresse.

Resultos

• Desempenho de Classificação Binária: Sob validação por sujeito (LOPO), modelos de ensemble distinguiram indivíduos com sintomas relacionados ao estresse daqueles sem esses sintomas com uma Área Sob a Curva ROC (ROC AUC) de 0,72 e uma Área Sob a Curva de Precisão-Recall de 0,89. O LightGBM superou consistentemente os outros modelos.
• Classificação Multiclasse: Embora os modelos tenham alcançado pontuações quase perfeitas em divisões aleatórias de 80:20 (ex: ROC AUC do LightGBM ~0,99), o desempenho caiu significativamente sob a validação LOPO (Macro ROC AUC ~0,57), destacando o desafio da generalização interindividual para níveis de gravidade específicos.
• Importância das Características: A análise SHAP identificou o Índice de Massa Corporal (IMC), idade, gênero e frequência cardíaca como as características mais influentes.
  • Demografia: A análise estatística confirmou que as participantes do sexo feminino relataram níveis de angústia significativamente maiores do que os homens. Indivíduos de meia-idade (25–45 anos) apresentaram escores de estresse mais altos em comparação com os grupos mais jovens ou mais velhos.
  • Fisiologia: Características de variabilidade microcirculatória e de fluorescência metabólica contribuíram substancialmente para o desempenho da previsão.
• Top-10 Características: Utilizar apenas as 10 características mais importantes melhorou a eficiência e manteve ou aumentou ligeiramente as métricas de desempenho (ex: ROC AUC do LightGBM de 0,7168 com validação de 5 dobras), sugerindo que um conjunto de características reduzido é viável para implantação prática.

Significância e Alegações
O artigo afirma que o sensoriamento óptico vestível, quando combinado com aprendizado de máquina interpretável, fornece assinaturas fisiológicas associadas a condições de saúde mental relacionadas ao estresse. O framework apoia o desenvolvimento de ferramentas escaláveis e baseadas em dados para o monitoramento objetivo da saúde mental.

Os autores enfatizam que, embora o conjunto de dados seja diverso e multimodal, o estudo é modesto em relação ao diagnóstico clínico. Os escores da DASS-21 refletem sintomas autorrelatados durante a última semana e não constituem diagnósticos clínicos. A queda significativa de desempenho sob validação independente de sujeito (LOPO) ressalta a alta variabilidade interindividual nos sinais fisiológicos. Consequentemente, os autores concluem que pesquisas futuras devem priorizar o aprendizado de representação invariante ao sujeito e estudos multicêntricos maiores para melhorar a generalização entre indivíduos. O trabalho serve como um passo fundamental para o monitoramento da saúde mental não invasivo e objetivo, unindo a fisiologia microvascular/metabólica aos estados psicológicos.