即时适配干预(JITAI):让干预赶上时机的数据闭环方法
核心内容:本文围绕“即时适配干预(JITAI):让干预赶上时机的数据闭环方法”展开,属于中科心研科研动态中的科研原理类内容,以公开文献与实验方法为依据整理,供人因工程与心理学领域科研参考。文中观点以引用的公开发表研究为准,相关设备与方法仅用于科研测量与教学,不用于诊断、治疗或筛查。
引入:精神科
2025 年 4 月,《美国国家科学院院刊》(PNAS)刊登了一篇关于精神健康的特写报道[1]。文章开篇指出了精神科的一个现实:没有活检可以诊断双相障碍,没有血液检测或脑部扫描可以指示抑郁的深度。即便确诊并开始治疗,许多患者依然难以好转——错过复诊、漏服药物、意识不到自己的状态正在下滑。
报道随后介绍了一个正在成形的方向:通过分析人们使用智能手机的方式——充电频率、通话次数、活动范围、睡眠模式——研究者可以从中识别出与精神状态相关的行为特征。这类数据被称为"数字表型"(digital phenotyping),可用于预警症状复发、追踪严重程度、提示医生在合适的时机介入。
JITAI 是什么
JITAI(Just-in-Time Adaptive Intervention,即时适配干预)是一套干预设计框架:根据个体当下的实时状态与所处情境,动态决定干预的时机、内容与强度[2]。
它的触发逻辑是:当适配变量超过设定阈值时,系统推送对应的干预建议——检测到用户久坐超过一小时,或情绪评分持续走低,就触发"起来活动"或"呼吸练习"。干预按实时状态发放,而不是按计划表发放。
JITAI 的六个要素
数据闭环:四个环节不断循环
干预之后回到采集,状态持续更新,循环往复。
这套框架成立的前提需要实时、连续地获得个体的状态数据。没有数据,JITAI 只能停留在纸面。
数据从哪来:数字表型
数字表型的概念由哈佛大学团队于 2015 年在 Nature Biotechnology 上提出[1]:个人数字设备产生的数据,可以连续、无创地刻画个体的心理与行为状态。
数据来源分两类。一类是智能产品数据:手机使用模式、活动量、睡眠节律、位置变化。2025 年发表的一项孤独感研究通过 12788 次瞬时观测发现,即时通讯应用的使用与孤独感的升高存在瞬时关联[3]。另一类是生理数据:心率、皮肤电、脑电、肌电、血氧等。智能产品数据反映行为层面的状态,生理数据反映身体层面的状态;两类数据在时间轴上对齐后,才能完整刻画一个人的当下。
这些信号分别说明什么
神经及生理信号是数字表型中客观性最强的,各自反映不同维度的状态。
1心率与心率变异性(HRV)
反映自主神经系统的张力。HRV 下降提示副交感活动减弱,身体处于应激状态。2025 年一项微随机试验用可穿戴设备实时检测 HRV 的异常下降(AddHRVr),在检测到的时刻触发 1 分钟呼吸干预;结果显示,干预后 HRV 在 10 分钟内显著回升[4]。
JITAI 价值:心率与 HRV 是目前 JITAI 系统中最成熟的触发指标。
2皮肤电(EDA)
反映交感神经的即时唤醒,不受主观意志控制。多伦多大学团队在痴呆护理病房的研究中,用腕带同步采集皮电、脉搏波和皮温,结合个性化机器学习模型检测患者的躁动与攻击行为,曲线下面积达 0.87[5]。这类患者无法自述不适,皮电提供了行为发生之前的客观信号。
JITAI 价值:皮电能在行为变化出现前捕捉到情绪唤醒,是提前干预的关键信号。
3脑电(EEG)
反映中枢神经的注意、负荷与情绪状态。中科院心理所团队 2025 年发表的研究表明,便携式三通道前额叶脑电设备采集的静息态高频 alpha 波功率与抑郁、焦虑量表分数显著相关,且便携设备与 128 通道实验室设备的频谱特征一致性达 0.975[6]。这意味着前额叶便携脑电用于抑郁焦虑筛查,具备走向社区级应用的可行性。
JITAI 价值:脑电适合作为基线筛查与长期认知状态追踪的客观依据。
4肌电(EMG)
反映肌肉活动。面部肌电可以检测肉眼难以察觉的微表情。2025 年一项研究用表面肌电识别快乐、悲伤、恐惧、愤怒四类微表情,准确率 81%[7]。微表情是情绪研究中长期关注的客观指标,也是精神状态评估的补充维度。
JITAI 价值:肌电可以补充捕捉细微的情绪波动,提升状态识别的准确率。
5血氧(SpO₂)
反映供氧状态。夜间反复的血氧下降与睡眠呼吸暂停相关,而睡眠呼吸暂停患者的抑郁、焦虑发生率显著高于一般人群[8]。夜间血氧曲线可以提示"睡眠质量差导致白天状态差"这一链路的生理基础。
JITAI 价值:血氧能从睡眠恢复的底层视角,为日间状态干预提供生理依据。
这个方法已经被验证到什么程度
上述研究说明,JITAI 与数字表型的框架已经走通了关键环节:状态可以被实时检测(HRV 触发),行为事件可以被提前识别(躁动预测),慢性状态可以被客观筛查(前额叶脑电)。
个性化算法研究进一步表明,针对个体训练的模型在检测焦虑、压力等状态时显著优于通用模型,F1 分数提升 4%–15%[9]。多模态生理信号与大语言模型结合的框架(如 EmoSavior)也已用于抑郁识别与干预的闭环设计[10]。
算法框架与干预效果都已经被反复验证,下一步走向规模化落地的核心,是更便捷、更连续的真实场景数据采集。
数据采集端需要什么
要让 JITAI 在真实场景中运行,数据采集端需要满足五个条件:
连续 长时程佩戴,不干扰日常活动;
多模态 多种信号互相印证,降低单一信号的误报;
同步 多通道信号在同一时间轴上对齐;
实时 数据实时计算;
隐私 数据本地存储,不出本机。
数据采集端的产品支持
中科心研可穿戴多生理行为采集系统 MP230
提供上述方法所需的数据采集能力:脑电、心电、脉搏波、皮电、肌电、血氧六类信号集成于一套无线穿戴设备,各模块共享硬件级统一时间戳,边缘计算终端支持本地实时处理,数据本地存储。
全无线可穿戴
所有模块采用无线设计——脑电为头环、脉搏和皮电为腕带、血氧为指环、心电为胸带、肌电为贴片。
多模态一体化
不再依赖多个独立设备系统的拼凑。MP230 将脑电、心电、脉搏、皮电、肌电、血氧六类信号集成于同一套多模态采集系统中。
时间同步
各模块之间共享统一时间戳,无需事后对不同设备的时间轴做对齐处理,也无须处理因独立时钟导致的同步误差。
数据分析
采集完成后,PC 端软件和科研云平台双线支撑后续分析。系统预置 ≥200 项面向情绪与心理研究的先验特征,覆盖脑电、心率变异性、皮电、肌电等各模态,支持一键批量计算与导出。
产品细节见此前文章(中科心研 可穿戴多生理行为采集系统 MP230 与 BIOPAC MP200:科研生理采集的两种路线;从实验室到真实场景: 多模态生理采集的便携化破局)。
JITAI 与数字表型把干预的时机从固定日程变成真正需要的那一刻。实现它的第一步,是连续、多模态、同步的生理数据。
参考资料
Adam D. Digital phenotyping using smartphones could help steer mental health treatment. PNAS, 2025.
https://www.pnas.org/doi/10.1073/pnas.2505700122王晴, 黄晓婷, 唐四元, 等. 即时适配干预在护理领域中的应用进展. 中华护理杂志, 2024, 59(04): 490-495. Haucke M, Heinzel S, Liu S. Objective risk and protective factors for momentary and daily loneliness: using digital phenotyping and temporal analysis. npj Mental Health Research, 2025, 4: 42.
https://www.nature.com/articles/s44184-025-00148-4Schwerdtfeger AR, Tatschl JM, Rominger C. Effectiveness of 2 Just-in-Time Adaptive Interventions for Reducing Stress and Stabilizing Cardiac Autonomic Function: Microrandomized Trials. Journal of Medical Internet Research, 2025.
https://pubmed.ncbi.nlm.nih.gov/40773285/Iaboni A, Spasojevic S, Newman K, et al. Wearable multimodal sensors for the detection of behavioral and psychological symptoms of dementia using personalized machine learning models. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring, 2022, 14(1): e12305.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9043905/Tang S, Han C, Li X. Toward Scalable Mental Health Screening: Gender-Sensitive Biomarkers from Portable Prefrontal EEG Devices. Scientific Reports, 2025.
https://www.nature.com/articles/s41598-025-23112-wJeevan G, et al. Recognition of Micro-Expressions from Nonlinear Features of Surface Electromyography and Random Forest. IEEE Engineering in Medicine and Biology Society (EMBC), 2025.
https://europepmc.org/article/MED/41336676Predictors of anxiety and depression in patients with obstructive sleep apnea. Egyptian Journal of Chest Diseases and Tuberculosis, 2012, 61(3): 171-177.
https://applications.emro.who.int/imemrf/Egypt_J_Chest_Dis_Tuberc/Egypt_J_Chest_Dis_Tuberc_2012_61_3_171_177.pdfDeveloping personalized algorithms for sensing mental health symptoms in daily life. npj Mental Health Research, 2025.(中文解读)
https://www.ebiotrade.com/newsf/2025-8/20250808003151530.htmShen J, Zhu K, Ma R, et al. EmoSavior: Depression recognition and intervention via multimodal physiological signals and large language models. Information Fusion, 2026, 127: 103772.
https://doi.org/10.1016/j.inffus.2025.103772
