通过使用机器学习和可解释性预测孕妇第二天的感知和生理压力:算法开发和验证

简介

背景

家庭迎来新成员是值得庆祝的，但也可能会带来巨大的压力，尤其是对母亲来说。围产期抑郁(PD)预测因子的系统回顾确定了产前压力源为偶发性(如生活事件或日常麻烦)或慢性(如父母压力、感知压力和慢性紧张)[1］．缺乏社会支持、压力生活事件、家庭暴力、低社会经济地位和过去的抑郁症史显著增加了产前压力[2，3.］．孕妇压力过大可导致早产或出生体重不足[4，5]，这是美国婴儿死亡的主要原因[6，7]，或结构畸形[8]和心理障碍[9］．

为了减轻这些负面结果，已经开发和测试了一些干预措施，以减少孕妇的压力，通常使用正念的原则[10-15]及认知行为疗法[16-19]以团体或个人形式。许多基于cbt的干预的一个关键特征是在干预阶段之间包括个人实践或家庭作业，以促进采用新学到的技能[20.］．这种作业可以采用技术支持的即时(JIT)干预的形式[21]，在母亲面临压力的情况下，这可以提高减压技术的有效性。参与者可以通过手机接收到的技术促进了JIT干预的结合。JIT干预措施的使用与这些干预措施所针对的心理健康症状和状况的改善有关[22-24］．然而，干预的时机可能会影响参与[25]，特别是考虑到JIT干预通常要求个人在当时执行一项行动以实现预期的结果。为了用JIT干预适当地针对压力，有必要确定最能预测压力的因素，以开发一种机制来主动发现并及时提供预防性干预。

然而，压力并没有一个单一的定义，生理压力和感知压力背后的机制是不同的，需要不同的检测和预测手段[26］．生理压力从一天持续到第二天，或者残余应力，对神经血管健康的损害最大，并可导致慢性疾病[27，28］．虽然尚不清楚感知压力如何映射到未来的疾病状态，但感知压力可能会使人衰弱，并与生活满意度差有关[29］．预测第二天压力(无论是生理上的还是感知上的)的能力，以及理解这两种压力的预测因素，可能会导致JIT干预的提前安排，有助于减少或预防第二天的压力。

机器学习模型已成功用于预测生理和感知压力;然而，很少有模型在预测不久的将来的同时，也解释了预测背后的驱动力。已经设计了几种传感系统来预测未来的生理压力[30.，31］．然而，由于在野外频繁进行压力评估的可行性有限，预测生理压力的研究通常在实验室进行[32］．其他研究同时捕捉了感知压力和生理压力，但在确定机器学习模型的基本真相时只考虑生理压力[33］．利用前一天数据预测第二天压力的几个例子[34，35]要么专注于测试广义模型和个性化模型之间的差异，要么主要专注于预测感知压力。

在评估模型的可解释性时，能够更早地预测压力，并以最小的数据收集负担，这将使研究人员能够提高他们对所学模型的理解，增加他们对模型如何决定第二天的压力的理解，并为JIT干预的设计提供信息。模型可以使用全局解释，试图描述所学习模型的整体功能(例如，特征重要性)，也可以使用局部解释，旨在解释模型对特定实例的推理。某些类型的解释，例如沙普利加性解释[36]使模型具有更大的可解释性，并且被认为是模型不可知论的，提供全局和局部解释。通过聚合SHAP值来创建特征重要性、摘要和相关性图，可以使用SHAP创建全局解释。SHAP值是作为驱动力的特征属性，对预测有贡献或没有贡献。最终，这些结果可以提供低负担的早期压力检测方法，从而实现JIT干预内容的调度，以防止未来的压力及其相关因素。

目标

在这项试点研究中，我们的目标是预测参加围产期减压课程的孕妇第二天的压力。具体来说，我们从传感器和参与者自我报告中获得数据，然后使用几个机器学习模型来找到表现最好的人。我们评估了我们的模型在预测第二天压力方面的潜力，并应用了一个可解释性模型来为我们的预测提供意义。

方法

研究设计

我们与一所私立大学的妇产科诊所合作，招募孕妇参加我们的研究。女性必须年龄≥18岁，在单胎妊娠10至18周时登记，并拥有智能手机。如果妇女患有已知的医疗或妊娠并发症，可能使其婴儿面临神经障碍或严重精神健康障碍的风险，则排除在外。

入组后，参与者接受了为期12周的个人对个人干预母亲与婴儿(MB)课程[19]，并佩戴移动心电图传感器BioStampRC (MC10)，以捕捉心率(HR)数据(图S1)多媒体附件1)．在整个研究过程中，参与者在他们的手机上收到生态瞬时评估(EMA)调查形式的短信，用于自我报告压力评估。在第一个干预阶段，参与者被展示了BioStampRC传感器，并接受了使用它的训练。随后的MB干预课程(1:1干预)每1至2周由同一名社工亲自或通过电话进行。在12次干预会议结束时，参与者归还了传感器，并被要求通过半结构化的退出访谈对传感器的可用性和可穿戴性以及EMA调查的可接受性提供反馈。这些女性因完成这项研究而获得200美元的补偿。

在研究完成后，我们进行了数据提取和预处理，然后应用机器学习模型和SHAP解释性模型来识别第二天生理和感知压力的预测因素。研究设计和MB程序概述见图1而且2,分别。

‎ 查看此图

‎ 查看此图

伦理批准

该研究得到了西北大学机构审查委员会的批准(批准号:STU00205776)，所有女性在入组前都提供了书面知情同意。

MB的课程

MB课程是一种有效的循证干预措施，最初是为预防产后抑郁症而开发的[37］．MB课程包括12个1:1的课程，每个课程持续15到20分钟。该干预提供了一个认知行为方法工具包，以促进在育儿和与婴儿建立联系的背景下增加健康行为、有益的思想和社会支持。在整个课程中，介绍了各种正念练习，以及正念技巧，以支持融入日常生活。前2 MB课程介绍了认知行为模型，并讨论了一个人的情绪和压力与一个人的行为、思想和社会互动之间的关系。愉快的活动模块(3-5节课)侧重于识别和增加独自、与他人以及与孩子一起进行愉快活动的参与度。思想模块(6-8节课)侧重于增加有益思想和减少无益思想的策略。与他人接触模块(9-11节课)侧重于增加与他人的积极和支持性互动。

MB课程每周或每隔一周进行一次，偶尔在一次访问中提供2个课程，以便及时完成干预，考虑到参与者的日程安排需求。此外，参与者在完成1:1干预后，每隔一天晚上7:45在手机上接受一次JIT干预，包括4条短信。短信包括简短的信息和外部内容的链接(例如，工作表，视频和引导正念练习)，旨在加强最新的1:1干预内容，并鼓励技能练习，以便技能在日常生活中更频繁地用于管理压力[38］．

评估

收集基线人口统计资料和怀孕史。使用爱丁堡产后抑郁量表(EPDS)测量基线抑郁症状，EPDS是一种经过验证的10项自我报告评估，是最常用的PD筛查工具。EPDS评估焦虑和抑郁的症状，这两种症状都是围产期情绪障碍的常见特征，并排除了妊娠和产后期间常见的症状，如睡眠和食欲的变化。每个人的反应从0到3分，0表示没有抑郁症状，3表示抑郁症状频率高。总分从0到30分，得分越高，抑郁症状的严重程度和频率越高。

我们使用贴片状的柔性传感器BioStampRC收集ECG数据，该传感器被放置在参与者的左侧胸部。BioStampRC可有效地使用基于人力资源的特征来预测孕妇的生理和感知压力[39］．参与者使用研究提供的平板电脑开始和停止传感器记录，并在一天结束时将完成的记录上传到安全的云平台。在为期12周的研究中，参与者被要求在醒着的时候佩戴这种设备，并且可以休息几天，以防止每天在同一位置佩戴强力粘合剂所产生的不良影响。

在研究登记时，所有参与者都被要求确定他们通常的每日醒来和睡眠时间，每日EMA问卷被设定为每天5次，在每个参与者清醒的时间间隔内均匀分布。每份EMA问卷包括12个问题(表S1)多媒体附件1)．

模型开发

传感器数据处理

在处理管道中，我们首先过滤掉心电信号的噪声片段，并计算每个1分钟片段的拍间间隔(IBIs)。然后，我们提取了基于心率变异性(HRV)的特征，并将每分钟分为积极的生理应激或消极的生理应激(图3)．

为了去除由于皮肤拉伸引起的传感器变形引起的噪声信号，我们首先使用1分钟的窗口大小和30秒的重叠来分割清洗后的ECG信号。噪声过滤使用集成支持向量机(SVM)和Zhang等人描述的神经网络噪声模型[40］．该模型包括将每个1分钟心电信号进一步分割为0.6秒的区间，从检测到的R峰中提取3个基于hrv的特征，运行预训练的SVM和神经网络分类器，并将每个区间分类为清洁或嘈杂的基于两个模型之间的一致。在每个片段中，我们丢弃了>20%噪声的片段。我们使用可靠性度量进一步分析了清理后的1秒段:1秒内收集的数据点数除以预期采样率的比率。信度为>80%定义为高质量段，低质量段丢弃。

接下来，我们重复分割干净的心电信号1分钟窗口30秒重叠提取R峰和IBIs。然后，我们运行了一种基于Shannon能量的算法，对非线性变换和一阶高斯微分器进行了修改，以提取R个峰值的初始集[41，42］．随后，我们使用beat difference [43来过滤掉不可思议的R峰(即超出人类正常心律范围的R峰)。然后，我们提取每对连续R峰之间的时间戳来计算IBIs。

‎ 查看此图

特征提取

的表S2中提供了为模型提取的完整特征列表多媒体附件1．

使用每个参与者每天的分钟级IBIs，我们提取了30个基于hrv的特征，并从中提取了17个基于持续时间的特征。我们计算每个特征在一天内的平均值，以定义日级别的特征值。考虑到与短暂的生理压力相比，长时间的压力可能会产生不同的持久影响，我们计算了另外17个基于持续时间的特征，这些特征计算了佩戴传感器时生理压力所花费的时间。由于没有正式的持续时间来定义有压力事件，我们设计了捕获最小连续应力正向窗口大小范围的功能(1、2、5和10分钟)。为了创建特征，我们首先采用King等人的预训练SVM网格搜索模型[39，将分分钟级心电信号分为生理应激阳性和生理应激阴性。具体来说，预训练的SVM模型从R-R区间(心电图上QRS信号的两个连续r波之间的时间间隔)中提取30个统计特征，并以每分钟心电信号为峰值，输出应力正或应力负的ground truth。接下来，我们使用1分钟、2分钟、5分钟和10分钟的连续窗口，从分钟级压力分钟中得出连续的总分钟数和发作数。

我们提取了13个基于ema的特征。共发送12个问题，其中7个问题询问消极情绪，5个问题询问积极情绪(表S1)多媒体附件1)．

这些问题包括4项感知压力量表(PSS;即PSS-4) [44，这是一份广泛使用的感知压力评估问卷。PSS-4的每个问题的回答选项范围从0到4，最终的范围在0到16之间，0表示没有压力，16表示压力非常大。我们计算了每天每个问题的平均得分，以获得12个基于ema的每日得分特征。通过平均一天内对所有PSS-4问题的回答，我们得出了第13个基于ema的特征。

从1:1干预和JIT干预中提取以下4个基于干预的特征:干预日(即前一天是否为1:1干预日)、干预计数(截至前一天收到的1:1干预的累计数量)、JIT干预日(即前一天是否发送了JIT干预)和JIT干预计数(截至前一天收到的JIT干预的累计数量)。随着干预时间分布的变化计数JIT干预而且数的干预变量使我们能够将干预的累积数量考虑在内。如果其中一个累积变量负向预测了第二天的压力，我们就能够表明参与时间的长短与压力水平呈负相关。如果JIT干预日和干预日对第二天的压力有负向预测，我们就能提出干预的短期有效性，因为它们只表明前一天的信息。

我们将以下5个参与者特征作为协变量:年龄、入组时的胎龄、既往怀孕次数、既往子女数量和EPDS评分(表S3)多媒体附件1显示所有参与者的特征)。

生理压力:基本事实

为了建立第二天生理压力的基本事实，我们首先将30个基于hrv的特征输入King等人描述的模型[39]来确定分级应力分类。从模型输出中，我们从所有1分钟级别的分类结果中计算出总连续应力分钟。根据先前发表的文献，如果连续的压力总分钟数是>的50%，那么这一天就被标记为生理应激阳性。45］．

感知压力:基本事实

通过计算一天内PSS-4得分的平均值来标记感知压力的基本真相。PSS-4是使用科恩感知压力量表，结合4个PSS项目(PSS-控制，PSS-克服，PSS-自信，PSS-你的方式)计算的。如果PSS-4得分为> - 4.7，这一天就被标记为积极的感知压力。46］．

结果

参与者

共有16名孕妇参加了这项研究。所捕获的人口统计数据和数据显示在表1．参与者总共在344天内收集了4157.18小时的数据，其中256天(74.4%)是连续的，114天(44.5%)是非压力日，142天(55.5%)是压力日。滤除噪声后，89.2%(3708/4157.18)的数据保持预测干净。参与者佩戴传感器的平均时间为21.5天(SD 5.21)，连续佩戴的平均时间为16天(SD 3.28)。在16名参与者中，有14人(88%)记录了连续的感知压力事件。在所有参与者中，总共收集了956天的EMA记录，其中881天(92.2%)是连续的。在这881天中，412天(46.7%)为无压力，469天(53.3%)为有压力。参与者平均每天回答2.9个EMA问题(SD为0.89)。这些结果得到Wakschlag等人的支持[45他们发现孕妇一天中平均有49.9%的时间处于压力之中。在16名参与者中，有3人(19%)没有连续几天佩戴传感器(这是预测第二天压力的必要条件)，因此这些参与者的数据被丢弃。表S4和S5多媒体附件1为每个参与者收集的传感器数据量和EMA数据量。

模型验证

基线模型评估

我们使用scikit-learn Python包测试了6个广泛使用的机器学习模型，以评估输入变量对第二天感知和生理压力预测的重要性[47-49］．在基线模型中，我们包含了以下具有默认超参数的模型:gradient boost machine (min_samples_split: 5;min_samples_leaf: 2;max_depth: 3)， SVM (kernel: rbf;C: 1.0;gamma:“scale”)，自适应增强(n_estimators: 50)， naïve贝叶斯，决策树(min_samples_split: 5;min_samples_leaf: 2;Max_depth: 3)和随机森林(n_estimators: 10;min_samples_split: 5;min_samples_leaf: 2; max_depth: 3). In all baseline models, we used all 69 features as input to predict next day’s physiological and perceived stress and applied 5-fold cross-validation on each model. Each fold consisted of 80% training data and 20% testing data randomly selected from all participants combined. We adopted commonly used evaluation metrics (precision, recall, and F1 score) for binary classification [50］．随机森林分类器在两种压力下表现最好，在预测生理压力时平均F1分数为81.9%，在预测感知压力时平均F1分数为72.5%。

基于相关性的特征子集选择

我们使用基于相关性的特征选择(CFS) [51]基于我们的69个特征集(4个干预相关，5个协变量，30个基于HRV, 17个基于持续时间，13个基于EMA)。CFS有助于评估特征之间的内在相关性，以避免冗余和高特征类相关性，以维持或增加预测能力。CFS有助于减少特征的数量，这使我们能够了解将来可能不需要收集哪些数据，或者解释哪些特征对最终的预测没有贡献。

贝叶斯优化

除了用于选择最优特征子集的CFS之外，我们还基于Snoek等人的工作采用了贝叶斯优化[52]和Nogueira构建的Python实现包[53］．在贝叶斯优化中，所选机器学习算法的一般性能被建模为来自高斯过程的样本，高斯过程的性质有助于优化和调优超参数，以进一步提高模型性能。

特征类型组合

为了在不牺牲显著预测能力(由F1分数衡量)的情况下，通过删除特征来减轻数据收集的负担，我们使用基于传感器、EMA和基于干预的数据的各种组合，运行随机森林，进行5倍交叉验证。对于这两种类型的压力，我们使用了6种数据组合:仅传感器、仅EMA、仅干预、带有EMA的传感器、带有EMA的干预和带有传感器的干预。然后，我们将结果与使用所有类型数据的模型进行了比较。对于生理压力预测，任何数据类型的组合，平均F1分数保持>73% (图4)．对于感知压力预测，只有与EMA数据的组合继续表现良好(图5)．

‎ 查看此图

‎ 查看此图

模型的性能

首先，CFS应用于选择用于构建生理和感知压力模型的特征子集。接下来，我们将贝叶斯优化应用于所有的基线模型。在超参数(n_estimators, criterion, max_depth, min_samples_split和max_features)经过优化后，随机森林的表现优于其他模型，使用每个连续超参数(n_estimators)的200个值范围和每个分类超参数(criterion)的最大选项数量。优化后的详细超参数如表S6所示多媒体附件1．结果F1分数在预测生理压力时增加到83.6%，在预测感知压力时增加到74.4%。

图6而且7显示使用6种不同分类器分别预测第二天生理压力和感知压力的结果，并使用CFS识别的相关特征子集按降序显示F1分数。这些数据以表格形式显示在表S7和表S8中多媒体附件1．

‎ 查看此图

‎ 查看此图

功能的重要性

我们对随机森林模型选择的8个特征应用SHAP(因为随机森林表现最好，F1得分最高)来预测生理应激。按平均绝对SHAP值排名前5位的特征为:按10分钟最小阈值计算的连续压力分钟数、干预次数、按10分钟最小阈值计算的连续压力分钟数百分比、儿童人数和pss克服(图8)．以下因素也是可预测的，但平均SHAP值<0.05，预测价值较低:JIT干预日、干预日和二元应激。

同样，在随机森林模型选择的10个特征上应用SHAP来预测感知应力。按平均绝对SHAP值排名前6位的特征为:PSS-4、pss -控制、pss -克服、子女数量、快乐压力和内容压力(图9)．以下特征也具有预测性，但平均SHAP值<0.05:焦虑应激、二元应激、JIT干预日和干预日。

生理应激的SHAP分析(图10)显示，连续的压力发作次数越多(每次压力事件至少10分钟)，第二天也更有可能是生理上有压力的一天。相反，计数干预次数越多(到前一天接受的1:1干预的累积次数)，第二天的生理压力越低。

感知应力的SHAP分析(图11)表明PSS-4值低(<4.0)，SHAP值为负;这表明PSS-4分数较低与第二天感知压力预测的可能性较低有关。PSS-Control (>2.0;例如，感觉自己无法控制重要的事情)通常与积极的SHAP值相关:预测第二天会有更高的感知压力。

‎ 查看此图

‎ 查看此图

‎ 查看此图

‎ 查看此图

此外，我们观察到快乐压力分数>为20，内容压力分数>为40的负SHAP值分布，这表明在这些方面的较高分数倾向于推动对第二天压力较小的预测。然而，一些具有正SHAP值的观察值分布在广泛的分数范围内;我们怀疑这是由于与其他特征的相互作用。

基于emas的特征PSS-Overcome(“你是否觉得困难堆积如山，以至于你无法克服它们?”)通常似乎预示着第二天较低的生理压力水平，但第二天较高的感知压力水平(图12)．尽管这个功能儿童人数在预测第二天的生理压力和感知压力时得分非常重要(图8而且9，分别)，根据总结图(图13)中，我们发现母亲生育孩子的数量对生理压力和感知压力的影响存在差异。从生理上讲，没有孩子(因此怀上了第一个孩子)与生理压力的增加呈正相关，而有两个孩子(因此怀上了第三个孩子)与第二天生理压力的降低有关。从感知上看，第一次怀孕的母亲在照顾第一个孩子的时候，似乎比没有孩子或已经有过孩子的时候承受了更大的压力。

‎ 查看此图

‎ 查看此图

用户反馈

在14名参与者中，有10人(71%)完成了关于传感器可穿戴性和可用性的完整反馈调查(图14)．大多数(7/ 10,70%)的受访者报告该设备不疼痛;然而，20%(2/10)的患者报告称，由于伴随的强力粘合剂和每天重复应用于同一位置，导致极度疼痛。当考虑到佩戴该设备时的身体不适时，50%(5/10)的受访者报告了不适有一点或一点也不，而50%(5/10)报告的不适范围为有些来极端的．大多数(8/ 10,80%)受访者认为该设备易于使用。

为了衡量自我报告的负担，我们假设频繁的EMA调查对纵向研究的参与者是负担[32]，因为随着参与者继续参与研究，倦怠反应率会下降。在本研究中，参与者的反应率在第二周达到峰值，并在接下来的几周内持续下降，在研究的最后一周反应率最低(图15)．此外，许多与会者对ema的频率表示担忧。在完成调查的10名参与者中，4名(40%)表示发送EMAs过于频繁，2名(20%)表示时间并不总是方便，这可能是因为每天发送的多个调查间隔≥2小时。

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

共有16名孕妇参加了我们的试点研究，以预测参加以cbt为基础的旨在减轻压力的课程的孕妇的第二天压力。总共收集了4157.18小时的数据，参与者回答了2838个EMAs。大约有一半(142/ 2565,55.5%)的日子被确定为压力日，这与Wakschlag等人的结果一致[45他们发现孕妇一天中平均有49.9%的时间处于压力之中。在我们的研究中，我们确定了基于传感器的特征，最能预测第二天的生理压力，以及基于ema的特征，最能预测第二天的感知压力。值得注意的是，预测生理压力和感知压力出现了2个特征:EMA问题PSS-Overcome和参与者已经有孩子的数量。

我们的研究结果揭示了使用各种方法提前1天预测感知压力和生理压力的机遇和挑战，并强调了感知压力和生理压力之间的时间和关系差异。所提到的重要输入变量为预测系统(包括机器学习模型)提供了机会，可以使用这些变量来安排未来的干预措施。例如，也许传感器数据不应该用于预测第二天的感知压力，使用EMA数据、基于低负担干预的数据或协变量可以更好地预测压力。

解释预测第二天生理压力的重要特征

在仅使用基于传感器的数据和协变量(平均F1分数为78.3%)进行特征缩减后，所有重要特征都与持续属性一致:连续压力发作最少持续时间为10分钟的次数、孩子数量、压力阳性的穿戴时间发作百分比(10分钟最小阈值)、先前怀孕次数、妊娠周、年龄和抑郁评分。大多数被认为具有预测性的特征都不容易快速变化，这表明生理压力的延续可能是慢性压力的反映。

预测第二天生理应激的SHAP值为>0.05的特征如下:连续最少持续10分钟的应激发作次数、干预次数、连续最少持续10分钟的感知应激发作次数、儿童数量和EMA问题PSS-Overcome。总的来说，被归类为积极压力的事件的百分比越大，第二天被归类为积极压力的可能性就越大。这表明，当一天中有长时间的生理压力时，第二天更有可能继续有生理压力。这也可能表明，至少需要5分钟的持续时间来减少假阳性的影响，并捕捉到更严重的压力发作。

计数干预的高特征重要性，或参与者接受的干预的累积数量，进一步表明生理压力和干预的持久影响。参与者接受的干预越多，他们第二天的压力就越低，直到接受了4次干预，此时效果趋于平缓。一项随机对照试验将有助于区分这些干预措施是否真的有效地降低了第二天的压力，以及基于正念的技能是否有效地降低了生理压力。此外，亲自访问成本高昂，影响干预的可扩展性。我们的研究结果表明，可能需要有一个最佳的面对面访问次数来减轻压力。进一步的研究可能旨在比较调整亲自就诊次数的效果及其对成本和生理压力减轻的影响。

解释预测第二天感知压力的重要特征

与我们对生理应激的分析类似，我们分析了基于SHAP平均值>0.05预测第二天感知应激的特征的依赖关系。高预测特征如下:PSS-4、PSS-Control、PSS-Overcome、孩子数量、快乐压力和内容压力。我们的研究结果表明，参与者控制重要事情的感知能力可以预测第二天的感知压力，而快乐压力和内容压力可以预测第二天较低的感知压力。这些结果表明，感知压力的影响会持续到第二天。以前的研究已经发现，感知到的压力可以延续，因为它可能会在脑海中徘徊。54]，我们的研究结果证实，这适用于孕妇。此外，当研究变量类型的不同组合预测次日感知压力的能力时，我们发现排除EMA特征的模型表现不佳，这表明，与预测次日生理压力不同，替代数据收集方法不能取代EMA特征。然而，我们的用户反馈调查显示，参与者认为我们研究中的EMAs是繁重的，这证实了需要低负担的自我报告模型来检测和预测压力;因此，未来的工作必须在将其纳入减压干预措施之前确认第二天压力的最具预测性的特征，以确保干预措施不会导致过度的使用者负担，从而增加压力。

就第二天感知的压力而言，正如我们之前的研究结果和之前的文献所显示的那样，压力感知的增加可以延续到第二天。54］．然而，令人惊讶的是，一般来说，PSS-Overcome的值越高，第二天生理压力的概率就越低。先前的研究显示两者之间存在中度正相关(r=0.48)在预期的实验室压力源和pss克服之间[39］．我们的研究结果表明，随着时间的推移(即第二天)，pss克服可能具有反向预测价值。未来的研究应该研究这些特征随着时间的推移的预测价值。

孩子的数量和无法克服困难的感觉

儿童的协变量数量和EMA问题PSS-Overcome在预测第二天的生理和感知压力方面被认为非常重要，但在效价方面则相反。这加强了生理压力和感知压力在概念上和时间上是不同的叙述。我们的研究结果表明，一般来说，在任何一天，参与者的孩子越多，他们第二天的生理压力就越低。这可能是由于最初的压力过渡到母亲和逐渐适应或积累的弹性与每个新孩子。与此同时，当涉及到预测第二天的感知压力时，即将生第二个孩子的参与者通常更有可能在第二天感到压力。最近的研究表明，生二胎确实会恶化父母的心理健康，尤其是对那些经常承担抚养孩子任务的女性来说。55］．我们的研究结果表明，父母通常不会预料到，在已经有了一个孩子之后，抚养第二个孩子的工作将会成倍地增加。然而，在第三次怀孕期间，第二天感知压力的下降可能意味着处理怀孕和多生孩子的应对策略已经学会了。这些发现提供了一个独特的视角，通过在为人父母的过程中各个阶段的横截面来研究生理和感知压力的体验。未来的研究需要通过纵向研究来验证我们的发现。

移动医疗系统在心理健康预测和干预中的未来

未来在开发可检测有问题的心理健康事件的生理和感知发生率的移动卫生系统方面的工作，应该通过干预计划和协变量等手段，调查和比较传感器捕获数据、自我报告测量和其他偶然捕获的数据的预测价值。在这项研究中，我们调查了两种类型的慢性压力:感知压力和慢性紧张，它们最一致地预测PD，使其成为心理和生理上预防PD的合适目标[1］．使用多模态检测系统不仅使我们能够识别最强烈地预测生理和感知压力的特征，而且还使我们能够发现如何将做出第二天预测所需的特征最小化。用于心理健康检测的移动健康系统的其他开发人员也可以考虑确定具体事件是如何在生理和感知上表现出来的。最终，为了创建一个有效的具有JIT干预的预测性移动医疗系统，每个组件(传感器、EMA和干预)都必须是可持续的和可用的。

20%(2/10)的参与者报告说，用于生理压力检测的传感器中使用的伴随强粘合剂，由于每天重复应用于同一位置，导致了极度的身体疼痛，这是创建这样一个可持续系统的障碍。长时间的磨损和舒适是至关重要的，因为我们的研究结果强调了通过传感器数据预测10分钟生理压力发作的重要性，这些数据是可能持续第二天的慢性压力的潜在指标。此外，电池寿命短是延长磨损的障碍。为了收集更可靠的数据，增加电池寿命和传感器尺寸可能与参与者的舒适度相悖。未来的工作应该研究如何在传感器的坚固性和用户佩戴意愿之间找到平衡。

在没有昂贵且可能不舒服的传感器的情况下，ema是预测第二天感知或生理压力的一种途径。然而，对EMAs的反应性在前2周后下降。研究显示，用户友好的界面和一些直接有用的功能，例如让参与者可以看到数据，提高他们的自我意识和追踪他们的进展，可增加他们对EMAs的参与[56，57］．创建一个可持续的系统，包括收集感知到的心理健康状况，需要直接为用户提供更多的价值。此外，由于感知压力对心理干预具有可塑性，而慢性压力则不然，因此感知压力是一个可行的干预目标[45，58］．

以干预、协变量或其他非传感器被动捕获的数据形式顺便捕获的数据为预测第二天的心理健康问题提供了额外的机会。这类特征对个人来说收集负担很低，而且可能仍然是强有力的预测因素。这些数据还可能以情境化的形式提供更多数据，以便在最合适的时候创建一个强大的传感和干预系统[59，60］．例如，了解最近完成的干预措施的时间和有效性可能允许系统在未来推荐相关干预措施。

限制

为了了解纵向佩戴ECG传感器的可行性，我们在自然环境下进行了一项研究，但这在佩戴时间上存在不可避免的自然变化。例如，在参与者佩戴该设备的12周内，平均佩戴时间为每天11.5小时。尽管大多数参与者发现该设备易于使用，尽管有些疼痛(因为在同一位置重复使用强粘合剂)，但感知压力和生理压力之间的差异可能是参与者在一天中的压力时刻没有佩戴该设备的结果。虽然几分钟前的预测器可能适用于短期研究，但可穿戴性的挑战[61]和传感器质量[62随着时间的推移，仍有可能影响预测的准确性。我们的分析受到了参与者年龄分布的限制，参与者的年龄在30到39岁之间。虽然这不是故意的，但它使我们能够从第一次怀孕和非第一次怀孕的分布中收集数据。然而，这些数据并没有反映出那些可能在生命的早期或晚期生育孩子的母亲。

结论

在这项工作中，我们使用机器学习和SHAP来预测和解释第二天生理压力和感知压力的潜在预测因素之间的关系。我们建立了可解释模型来预测第二天的生理压力(F1分数为83.6%)和第二天的感知压力(F1分数为74.4%)。我们进一步确定了一些独特的特征，如最少持续10分钟的连续压力发作的数量和百分比，以预测第二天的生理压力。利用这种技术，我们评估了基于干预、传感器和ema的数据的特征空间，以寻找可以预测第二天生理压力和感知压力的特征。我们的研究结果表明，在减少数据收集负担的同时，预测第二天的生理和感知压力是可能的。我们的研究是第一个在12周内评估孕妇的研究(与King等人的研究中的一天相比)。39]);然而，未来的研究应该用更大的参与者样本来验证我们的模型。虽然明天的压力迫在眉睫，但未来的压力研究应该考虑在其他时间点预测未来的压力，如下周，以了解这些特征的持续预测价值。