作者：Dongju Lim, Jaegwon Jeong, Yun Min Song, Chul-Hyun Cho, Ji Won Yeom, Taek Lee, Jung-Been Lee, Heon-Jeong Lee, Jae Kyoung Kim

单位：KAIST; Institute for Basic Science; Korea University; Sun Moon University

期刊：npj Digital Medicine，2024

背景

核心贡献

方法

使用机器学习分类算法基于睡眠模式信息预测心境发作的研究框架

1、睡眠结构特征提取

从睡眠—觉醒序列构建睡眠窗口：处理不足10分钟的短暂睡眠或觉醒片段，将间隔不足1小时的睡眠窗口合并，再以3.75小时为界划分长、短睡眠窗口。
提取10个睡眠指标： a (ii) 得到的长短睡眠窗口对应的时长、数量、实际睡眠时间和觉醒时间、全天睡眠占比、睡眠振幅
提取2 个昼夜节律指标：昼夜振幅、昼夜相位（DLMO）

2、昼夜节律状态估计

假设清醒时光照为250 lux、睡眠时为0 lux，将睡眠—觉醒序列转换为光照输入，驱动数学模型模拟核心体温节律。据此获得两个模型估计指标：
节律振幅： 模拟核心体温节律的振幅。
节律相位： 用核心体温最低点前7小时估计昏暗光线褪黑素起始时间（DLMO）。

3、个体基线表征

对12个基础指标构建均值、标准差和Z-score，共形成：
12个指标 × 3种统计表征＝36维特征。
其中，Z-score表示当日指标相对该患者个人分布的偏离程度。

4、分类预测与解释

分别训练三个XGBoost模型，并通过贝叶斯优化结合五折交叉验证选择超参数。
利用树模型的特征使用次数评价重要性，再用SHAP分析关键特征如何推动预测结果。

实验

实验设置

（1）随机划分下的分类性能与可解释性实验
汇总168名患者的每日样本，以36维睡眠与昼夜节律特征作为输入，分别训练抑郁、躁狂和轻躁狂心境发作的XGBoost二分类器。
保持训练集与测试集的心境发作比例一致，随机划分80%数据用于训练、20%用于独立测试。在训练集内部采用贝叶斯优化搜索30组超参数组合，以五折交叉验证的平均ROC-AUC选择最优配置，再使用完整训练集重新训练。
通过测试集ROC曲线评价分类性能，利用weight特征重要性统计特征参与节点划分的次数，并结合SHAP分析关键特征对模型输出的贡献方向。

（2）基于历史窗口的时间顺序预测实验
为检验模型对未来心境发作状态的预测能力，分别为每名患者构建60天和30天历史训练窗口：从记录起点向后移动窗口，优先选取首次包含30个或15个心境发作日的窗口。若无法满足，则选取心境发作日最多的窗口。
将各患者选定窗口内的样本汇总，按照上述超参数优化流程训练三个XGBoost分类器，再以各患者训练窗口之后的数据作为测试集，比较两种历史窗口长度下的ROC-AUC。

实验结果

（1）XGBoost在随机划分测试集上具有较高的分类性能。 抑郁、躁狂和轻躁狂心境发作的ROC-AUC分别达到0.925、0.984和0.985，说明36维睡眠与昼夜节律特征能够有效区分不同心境发作状态。

（2）个体标准化后的节律相位是最突出的预测特征。 特征重要性分析显示，Circadian phase Z-score在三类模型中均表现突出。

（3）SHAP进一步显示，相位相对个人基线延后与抑郁心境发作的正向预测贡献相关，提前与躁狂心境发作的正向预测贡献相关，而轻躁狂未呈现清晰的单向变化规律。

（4）按时间顺序测试仍保持较好的预测性能，但抑郁预测更依赖历史窗口长度。 使用60天历史窗口训练时，三类心境发作的AUC分别为0.80、0.98和0.95；缩短至30天后，分别为0.75、0.98和0.95。抑郁预测AUC下降0.05，而躁狂和轻躁狂基本保持稳定，表明不同预测任务对历史信息量的依赖存在差异。

总结

（1）构建睡眠—觉醒序列的多维特征表示。 从睡眠窗口数量、长度、睡眠与觉醒时间等角度提取睡眠结构指标，结合昼夜节律指标及个体均值、标准差和Z-score形成36维特征，描述患者的行为模式、波动程度与相对个人基线的偏移。

（2）利用XGBoost实现心境发作分类预测。 分别训练抑郁、躁狂和轻躁狂心境发作分类器，通过贝叶斯优化与五折交叉验证选择超参数。使用60天历史窗口训练，在后续时间段测试的AUC分别达到0.80、0.98和0.95，验证了睡眠相关特征用于次日状态预测的潜力。

（3）结合特征重要性与SHAP增强模型可解释性。 在评价分类性能的同时，识别关键预测变量及其贡献方向，发现节律相位相对个体基线的偏移具有突出的预测作用，为分析睡眠行为与心境状态之间的关联提供了可解释的机器学习路径。

启发

（1）特征设计——从睡眠全周期构建多阶段、个体化的行为表示。 针对“面向睡眠全周期的多阶段行为数据挖掘”，可借鉴本文睡眠窗口与个体基线的设计思路，围绕睡前、睡眠中和醒后分别提取行为发生时间、持续时长、频次及碎片化程度等特征，再结合跨日波动和相对个人历史基线的偏移，形成“阶段内特征＋阶段间关系＋跨日变化”的特征体系，分析哪些阶段及其变化与亚临床抑郁情绪关联更密切。

（2）建模分析——以XGBoost为基线，检验睡眠行为与情绪的时滞关联。可将不同阶段的行为特征及过去若干日的滞后特征输入XGBoost：情绪标签为类别时开展分类，为连续评分时采用回归。通过仅睡前、仅睡眠中、仅醒后及多阶段融合的消融实验，比较各阶段的增量预测价值，并结合SHAP分析关键行为及其贡献方向。采用按时间顺序划分训练集和测试集、仅利用历史数据计算个体基线，检验不同时间窗口的预测效果，区分同期关联与对未来情绪的预测能力。