练习更健康的日常行为将改善美国成年人许多重要的身心健康结果[gydF4y2Ba 1gydF4y2Ba-gydF4y2Ba 5gydF4y2Ba]。然而，即使成功地开始了健康的行为，许多人也发现很难把它们作为长期习惯来维持[gydF4y2Ba 6gydF4y2Ba-gydF4y2Ba 8gydF4y2Ba]，因此不能获得相应的健康益处。一种来自心理学和神经科学的关于习惯行为的理论认为，习惯是无意识地或反射性地受到环境刺激的影响[gydF4y2Ba 9gydF4y2Ba-gydF4y2Ba 11gydF4y2Ba]。通过反复将环境或上下文线索与期望行为的表现配对，我们的大脑将线索-行为联系常规化，减少了使用审慎认知过程来激发行为的日常表现。gydF4y2Ba 12gydF4y2Ba-gydF4y2Ba 14gydF4y2Ba]。最近的研究表明，这些情境暗示的反射反应是我们许多日常行为的基础[gydF4y2Ba 9gydF4y2Ba，gydF4y2Ba 15gydF4y2Ba]，而条件反射性养成的习惯是成功保持健康习惯(如每日服药和体育锻炼)的人普遍采用的行为策略[gydF4y2Ba 16gydF4y2Ba-gydF4y2Ba 20.gydF4y2Ba]。然而，研究还没有检查正念冥想练习，其中认知努力的减少与反射性煽动冥想有关[gydF4y2Ba 20.gydF4y2Ba-gydF4y2Ba 22gydF4y2Ba可以增强正念体验，并增加相应的心理健康益处。gydF4y2Ba

现有的习惯行为心理学研究的另一个局限是依赖于习惯强度的自我报告测量[gydF4y2Ba 23gydF4y2Ba]。从理论上讲，习惯是无意识地形成的，因此，个人不应该能够准确地回忆起他们执行习惯性行为的经历。因此，自我报告的测量更有可能捕捉到个人对自我效能感或行为流畅性的感知[gydF4y2Ba 24gydF4y2Ba]。历史上对基于调查的习惯测量的依赖源于缺乏观察日常行为模式所需的详细的、纵向的行为数据。随着最近移动健康(mHealth)工具的出现和普及，这些工具可以收集用户日常行为的精确高频数据，这为开发更客观的日常习惯指标提供了新的机会。这些数据驱动的措施有可能更准确地描述习惯形成过程，并为设计新的移动健康干预措施提供信息，从而更成功地促进更健康习惯的形成。由于这种类型的高频日常数据可用于许多健康行为，例如体育活动(通过可穿戴健身追踪器)，药物依从性(通过带电子盖的药瓶)和基于手机应用程序的正念冥想，反射性习惯的客观标识符也将使习惯行为的研究能够以更高的保真度在行为设置中进行转换。gydF4y2Ba

本研究的两个目的是构建和测试情境暗示的正念冥想习惯的客观指标，并估计该指标与身心健康改善之间的关系。在这项研究中，我们详细观察了正念冥想练习的用户gydF4y2Ba 冷静,gydF4y2Ba我们构建了新的情境提示习惯指标，以捕捉每天使用应用程序的时间相似性(即，在一天中大约同一时间使用应用程序)，该指标基于连续几天应用程序使用之间的动态时间扭曲(DTW)距离(详细信息如下)。现有的研究表明，大多数情境提示的习惯是在每天的同一时间和同一地点进行的[gydF4y2Ba 25gydF4y2Ba，gydF4y2Ba 26gydF4y2Ba]，这激发了使用时间相似性来识别反射性激发的冥想习惯。然而，由于上下文提示的习惯很少严格基于时间，DTW被用来灵活地衡量应用程序使用模式的时间变化。例如，一个人的日常冥想习惯可能是在吃完午饭或下班回家时产生的，这两者每天发生的时间可能略有不同。因此，我们应用DTW测量来捕捉每日应用程序使用开始时间，持续时间或两者的广泛变化，同时允许这些维度的微小日常变化。由于时间相似性在两天之间的巨大差异表明个体在这些天以不同的模式使用应用程序进行冥想，我们假设我们对时间相似性的测量将表明个体的冥想行为发生在他们通常的行为背景和常规之外。诚然，并非所有的自反性习惯都在每天的同一时间发生;然而，我们的方法旨在确定大多数冥想习惯是由暂时相似的上下文线索发起的。gydF4y2Ba

在本研究中，我们通过估算时间相似性对预测用户未来应用使用的相对重要性来评估时间相似性作为冥想习惯指标的度量。众所周知，上下文提示习惯是我们许多长期日常行为的基础，我们假设我们的时间相似性测量将成功识别许多用户的反身冥想习惯，从而显著预测用户的未来行为。我们通过比较时间相似性的预测强度与应用程序使用频率和持续时间来检验这一假设[gydF4y2Ba 27gydF4y2Ba-gydF4y2Ba 31gydF4y2Ba]。为了实现本研究的第二个目标，我们估计了我们的时间相似性测量与使用冥想应用程序所感知的身心健康益处之间的关联。第二组分析本质上是探索性的，旨在调查反射性用药习惯与身心健康变化之间的潜在关系。gydF4y2Ba

这是第一个基于详细的移动健康数据提供反身冥想习惯的客观指标的研究。这项措施将使研究人员能够更好地描述习惯的形成过程，并更好地瞄准和衡量未来的行为干预措施，以促进更健康的习惯。这项研究也首次研究了养成正念冥想习惯对心理健康的潜在益处，这为未来旨在改善心理健康结果的移动健康干预提供了新的方向。gydF4y2Ba

我们使用了来自商业应用Calm的纵向正念冥想应用的用户数据，该应用在收集数据时拥有超过200万付费用户。2019年12月，通过电子邮件招募(1)年满18岁，(2)订阅期限至少两个月，(3)在过去90天内至少打开过一封来自Calm的电子邮件的订阅者，以完成一项关于他们使用该应用程序后感知到的睡眠质量改善的调查。这些资格标准用于招募可能具有高内在冥想动机的Calm长期用户。这有助于我们的分析，因为它减少了动机对我们识别反身冥想习惯的能力的潜在混淆影响;在该样本中，自首次订阅Calm以来的平均时间长度为11.5个月(SD 10.4个月)。调查评估还包含了用户的社会经济地位、自我报告的应用程序使用情况、身心健康状况以及使用应用程序后对身心益处的看法。该调查得到了亚利桑那州立大学机构审查委员会(STUDY00009725)的批准，调查结果以及调查方法和发现的其他细节已在其他地方发表[gydF4y2Ba 32gydF4y2Ba]。gydF4y2Ba

同一组调查受访者的分钟级应用程序使用数据用于开发习惯性应用程序使用的客观标识符，以预测调查完成后应用程序的未来使用情况，并估计使用该应用程序与感知到的心理健康益处的关联。分钟级数据集是根据2019年12月受访者完成调查前6个月(2019年6月)至6个月(2020年6月)观察到的所有应用程序会话汇编的。Calm应用程序提供了广泛的正念内容，当使用以下7种会话类型中的任何一种时，会话都会被记录下来:引导或定时冥想，睡眠储存，呼吸训练练习(gydF4y2Ba 呼吸gydF4y2Ba)、音乐、大自然的声音(gydF4y2Ba 音景gydF4y2Ba)、深度音频课程(gydF4y2Ba 大师级gydF4y2Ba)，以及练习正念动作的视频课程(gydF4y2Ba 身体gydF4y2Ba)。对于每个观察到的会话，数据包含有关会话的开始时间、持续时间、类型、特定内容的标题以及会话是否完成的信息。gydF4y2Ba

为了描述完成调查前后的应用使用情况，我们计算了使用的总会话数、使用的独立会话数、使用持续时间、开始时间以及某一天是否有任何应用使用[gydF4y2Ba 27gydF4y2Ba-gydF4y2Ba 31gydF4y2Ba]。除了这些测量之外，我们还通过将样本周期内的每一天转换为1440分钟的时间序列0(应用程序未使用时)和15(应用程序使用时)来估计时间相似性，然后计算连续几天应用程序使用时间序列之间的DTW距离。如图所示gydF4y2Ba 图1gydF4y2Ba， DTW距离度量比任何两个1440分钟时间序列之间的欧几里得距离更灵活，因为它将某一天的使用情况与另一天更大范围内的使用情况进行比较。虽然欧几里得距离比较的是每天同一分钟的使用量，gydF4y2Ba 图1gydF4y2Ba显示，DTW距离是通过比较一天的使用情况和第二天稍晚的类似使用情况来计算的。通过这种方式，DTW距离不会因为用户每天使用相同的应用程序的整体模式而受到惩罚，而这种模式只是在给定的一天中提前或推迟几分钟。这种时间相似性的度量是使用gydF4y2Ba dtwgydF4y2Ba软件包在R 4.0.1版本(R Foundation for Statistical Computing)中，并进行了额外修改，以惩罚连续几天不使用(参见gydF4y2Ba 多媒体附录1gydF4y2Ba详情)。通过这种方式，时间相似性的最终度量可以被解释为连续天之间不一致执行的每日分钟数的平均百分比。看到gydF4y2Ba 多媒体附录2gydF4y2Ba要可视化DTW计算和Calm应用程序中的其他属性，请使用data。gydF4y2Ba

应用程序使用的每个客观指标，包括频率、持续时间和时间相似性指标，都是每天为每个用户计算的，并在不重叠的14天间隔内取平均值。然后，我们分析了这些指标在多个时间段内的变化，以描述应用使用模式随时间的变化情况。由于一些用户在我们的样本周期开始时很少使用应用程序，因此每个用户在14天周期内使用至少5天后的第一个星期一被分配了一个唯一的开始日期。我们在星期一开始使用每个用户，以控制平日和周末之间观察到的行为差异。然后在调查完成之前的10个不重叠的14天间隔内为所有用户定义应用程序使用的客观测量。选择使用14天的间隔，以便每个间隔包含相同数量的工作日和周末，并且当这些间隔缩短或扩大时，结果基本上没有变化。对于在开始日期和调查完成日期之间没有10个不重叠的14天间隔的用户，在调查日期之后再构建14天间隔，以便所有用户都有10个间隔(140天)来计算上述客观度量。这些额外的调查后间隔不用于分析基于调查的心理健康结果(第二个目标)，而是用于测试时间相似性预测未来应用程序使用的能力(第一个目标)。gydF4y2Ba

最后，这些应用使用的客观指标是基于所有观察到的会话，并根据会话类型和会话时间分别计算出来的gydF4y2Ba 早....gydF4y2Ba(上午四时至下午十二时);gydF4y2Ba 晚上gydF4y2Ba(中午12时至晚上8时)，或gydF4y2Ba 晚上gydF4y2Ba(晚上8时至翌日凌晨4时)。这些措施，连同用户的社会经济地位，总结使用均值和标准差的连续变量和计数和百分比的二分变量;比较二分类变量的组间差异gydF4y2Ba prtgydF4y2Ba命令在Stata/ mp16.1 (StataCorp) [gydF4y2Ba 33gydF4y2Ba]。gydF4y2Ba

我们的第一个目标是测试时间相似性作为反身冥想习惯的指标，我们估计了时间相似性对未来应用使用的三种两分法的预测能力:28天后使用任何应用程序，6个月后使用任何应用程序，以及在调查后28天内使用应用程序的总持续时间是否高于此期间的中位数持续时间的标识符。对于这3种结果，分别使用了3种预测建模技术。首先，使用逻辑回归来估计每个二分类结果与所有可用的客观应用程序使用测量之间的关联。其次，使用具有和不具有基于dtw的时间相似性度量的相同logistic模型来计算受试者工作特征(ROC)曲线和相应的ROC曲线下面积(auc)，即模型拟合的度量。使用卡方检验比较两个模型(即有无基于dtw的时间相似性度量)的auc [gydF4y2Ba 34gydF4y2Ba]由gydF4y2Ba roccompgydF4y2Ba命令在Stata/MP 16.1。最后，使用相同的一组客观应用程序使用度量，我们使用随机森林算法估计每个应用程序使用度量的相对重要性gydF4y2Ba sklearn.ensemble.RandomForestClassiergydF4y2Ba命令在Python 3.8.3 (Python Software Foundation) [gydF4y2Ba 35gydF4y2Ba]。gydF4y2Ba

为了研究反身冥想习惯与健康变化之间的关系，我们使用逻辑回归来估计使用该应用程序所感知的身心益处与客观应用程序使用度量(包括时间相似性)之间的关联。身体和精神上的益处是通过调查问题来衡量的，这些问题分别询问了7种不同的身体健康状况(高血压、高胆固醇、哮喘、肺气肿、其他肺部疾病、心脏病、癌症、疼痛和关节炎)和3种不同的精神健康状况(焦虑、创伤后应激障碍和抑郁症)gydF4y2Ba 改进的gydF4y2Ba以及这些措施是否gydF4y2Ba 非常完善gydF4y2Ba。身体健康的两分法测量gydF4y2Ba 改进的gydF4y2Ba如果参与者对任何身体健康状况的回答是肯定的(即，是的，情况得到了改善)，则设为1，否则设为0。的二分类测量方法也采用了类似的方法gydF4y2Ba 改进的gydF4y2Ba心理健康和构造分开的二分法措施，将身心健康报告为gydF4y2Ba 非常完善gydF4y2Ba。在控制用户社会经济地位的情况下，Logistic回归估计了这些生理和心理健康改善的二分测量与客观应用程序使用测量之间的关联。为了更好地比较不同客观应用程序使用度量的模型估计，对每个应用程序使用度量应用对数转换，以便每个关联测量所指示的行为度量增加1%与使用应用程序改善健康状况的几率之间的相关性。类似的对数转换也应用于上述预测逻辑模型，以进一步提高估计统计关系之间的可比性。进行逻辑回归gydF4y2Ba 分对数gydF4y2Ba命令在Stata/MP 16.1gydF4y2Ba

没有使用足够的应用程序来满足上述开始日期定义的调查受访者不包括在这些分析中(n=2239)。然而，他们不规律地使用应用程序提供了强有力的证据，表明这些用户并没有习惯性地使用应用程序。因此，本研究的结果和随后的讨论有助于描述如何gydF4y2Ba 常规的gydF4y2Ba这款应用的用户可能会从暂时持续的冥想习惯中受益，这既有利于他们持续使用这款应用，也有利于他们的健康。gydF4y2Ba

Calm用户样本年龄在21 - 87岁之间(平均48.0岁，标准差14.2岁)，主要为女性(2359/2771,86.06%)和白人(2391/2771,86.29%)，家庭收入中位数为80,000美元(平均105,927美元，标准差86,940.20美元)。gydF4y2Ba 表1gydF4y2Ba说明了人口统计学和社会经济特征，这些特征在完成调查前14天内使用的冥想次数高于或等于或低于中位数(中位数=2次)的人之间基本相同。在这两组人中，只有不到三分之二的用户是全职工作。约43.27%(1199/2771)报告至少有一种精神健康状况(压力、抑郁或焦虑)，约39.01%(1081/2771)报告至少有一种慢性身体健康状况(如肺气肿或癌症)。家庭收入作为分类变量在gydF4y2Ba 表1gydF4y2Ba以更好地描述样本中的收入分配，61.1%(1693/2771)的参与者的收入分配> 61,000美元。gydF4y2Ba

大多数用户，约69.87%(1936/2771)报告每周使用该应用程序≥5次，如下图所示gydF4y2Ba 表2gydF4y2Ba。重要的是，38%(1053/2771)的用户注意到使用该应用程序改善了心理健康状况，而19.38%(537/2771)的用户表示改善了身体健康状况。gydF4y2Ba 表2gydF4y2Ba此外，正念冥想对心理健康也有好处，因为在完成调查前的14天内，冥想次数高于中位数的用户比(gydF4y2Ba PgydF4y2Ba= 0.05)更有可能体验到心理健康的改善和8.5个百分点(gydF4y2Ba PgydF4y2Ba< 0.001)比冥想次数等于或低于中位数的人更有可能体验到非常好的心理健康。gydF4y2Ba

表3gydF4y2Ba为调查完成前14天计算的app使用客观测量值的平均值、标准差和最大值。平均而言，在某一天使用任何会话类型的可能性为55.7%，使用冥想功能的可能性为28.4%，在此期间使用睡眠存储的可能性为32%。每天使用大约1.14个(SD 2.26)会话，其中0.35个(SD 1.11)会话发生在早晨，0.66个(SD 1.21)会话发生在晚上。冥想课程在早上进行的频率相同，每天大约0.17次(SD 0.36)，晚上进行的频率相同，每天大约0.16次(SD 0.34)，而睡眠故事主要在晚上进行(平均每天0.37次，SD 0.51次)。根据会话类型，用户每天使用应用程序的平均持续时间也有类似的模式，其中冥想会话在早上使用约2.30分钟(SD 5.91)，在晚上使用2.84分钟(SD 6.56)，睡眠故事在晚上平均使用11.54分钟(SD 16.19)。最后，所有会话类型的平均DTW距离测量，包括不使用的惩罚，并通过用户在这14天内每天使用的平均持续时间进行标准化，等于0.539 (SD 0.35)。相比之下，冥想和睡眠故事特征之间的DTW距离较小，分别约为0.489 (SD 0.44)和0.474 (SD 0.45)。gydF4y2Ba

第一组分析使用超过140天的应用程序使用的客观测量来预测用户未来的应用程序使用情况，以测试时间相似性识别反射性习惯的能力。gydF4y2Ba 表4gydF4y2Ba显示了指数逻辑回归系数和95% ci，使用客观应用程序使用措施来预测未来应用程序使用的3个二分类措施。该表显示了每个用户开始使用后的第6到第10个14天间隔内计算的所有客观应用程序使用指标的结果。应用程序使用测量的计算间隔为1-5，人口统计控制显示在gydF4y2Ba 表1gydF4y2Ba也包括在每个逻辑回归模型中，但从gydF4y2Ba 表4gydF4y2Ba为了便于展示。gydF4y2Ba

表4gydF4y2Ba结果显示，在第10个14天间隔(与结果最接近的间隔)内使用任何应用的天数是28天后使用任何应用的几率(比值比[OR] 3.378, 95% CI 2.32-4.92)和6个月后使用任何应用的几率(比值比[OR] 1.527, 95% CI 1.11-2.10)的最强预测因子。然而，这一衡量标准与用户在接下来的28天内持续使用应用的几率并没有显著关联。结果还表明，在所有3种结果中，总会话数并不能很好地预测未来的应用使用情况。此外，总持续时间是在接下来的28天内出现高持续时间的几率的重要预测因子(OR 1.108, 95% CI 1.02-1.20)。重要的是，时间相似性的DTW测量与描述未来行为的所有3个结果显着相关。具体来说，在第10个14天的间隔中，DTW距离增加1%(即每天使用应用程序的时间不太相似)，对应于平均DTW距离增加0.015 SD，与6个月后任何应用程序使用的OR为0.719 (95% CI 0.69-0.88)相关。gydF4y2Ba

第一组gydF4y2Ba 表5gydF4y2Ba通过比较来自同一组逻辑回归模型的AUC，提出了时间相似性度量的预测值的第二个统计检验gydF4y2Ba 表5gydF4y2Ba。在预测28天后的任何未来使用时，没有基于dtw的时间相似性测量的AUC为0.818，该面积增加了0.003 (gydF4y2Ba P =gydF4y2Ba当DTW距离测量包含在模型中时。02)。为了可视化预测精度的提高，这2条ROC曲线显示在gydF4y2Ba 图2gydF4y2Ba。第二组gydF4y2Ba 表5gydF4y2Ba在有DTW距离测量和没有DTW距离测量的逻辑回归模型之间进行相同的比较，其中所有客观应用程序使用测量在每14天的间隔中仅在工作日和周末单独计算。这些更细粒度的应用使用测量改善了整体模型拟合，因为当预测28天后没有DTW测量的任何使用几率时，AUC增加到0.820。AUC增加至0.828 (gydF4y2Ba PgydF4y2Ba<.001)，包括在工作日和周末定义的DTW测量。最后是第三个面板gydF4y2Ba 表5gydF4y2Ba显示针对7种会话类型以及工作日和周末之间的所有客观应用程序使用度量分别计算的结果。当DTW距离测量包括在这些逻辑回归模型中时，预测28天后任何未来使用的AUC显著增加(gydF4y2Ba PgydF4y2Ba<.001)， 6个月后再使用(gydF4y2Ba PgydF4y2Ba<.001)，并且在接下来的28天内拥有较高的应用总使用时间(gydF4y2Ba PgydF4y2Ba<措施)。gydF4y2Ba

时间相似性对预测未来应用程序使用的重要性的第二个演示在gydF4y2Ba 多媒体附录3gydF4y2Ba，其中显示了随机森林模型的变量重要性统计数据，该模型使用所有会话类型和时间定义的客观应用使用度量来预测未来应用使用的相同三种二分类度量gydF4y2Ba 表4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba。结果表明，至少有一种DTW距离测量在所有3种结果的前5位预测因子中，进一步强化了这种情况下时间相似性和行为持久性之间的重要关联。gydF4y2Ba

第二组分析估计了客观应用程序使用测量与使用应用程序自我报告的精神和身体益处之间的关联。gydF4y2Ba 表6gydF4y2Ba显示显示用户自我报告的二分类结果的逻辑回归模型的指数系数gydF4y2Ba 改进的gydF4y2Ba或gydF4y2Ba 非常完善gydF4y2Ba从人口和社会经济的角度来看，使用该应用程序的心理或身体健康gydF4y2Ba 表1gydF4y2Ba。从gydF4y2Ba 表6gydF4y2Ba，我们可以看到，老年人报告心理健康改善的可能性要小得多，但更有可能经历身体健康改善。具体而言，与31岁以下的使用者相比，年龄在71岁至80岁之间的成年人报告心理健康改善的OR为0.239 (95% CI 0.15-0.39)，报告身体健康改善的OR为2.35 (95% CI 1.15-4.80)。这些估计的关联突出了在预测感知健康益处的后续模型中纳入用户人口统计数据的必要性。gydF4y2Ba

表7gydF4y2Ba显示了改善心理和身体健康与应用程序使用的客观测量之间的估计关联，条件是用户人口统计和社会经济维度gydF4y2Ba 表6gydF4y2Ba。的第一个面板(模型1)gydF4y2Ba 表7gydF4y2Ba给出了一个模型的指数系数，该模型包含了在调查完成前6周(3×14-day间隔)内平均的客观应用程序使用度量。在总疗程数、总使用时间和总使用天数的条件下，在调查完成前6周内，DTW距离增加1%与经历心理健康改善的OR为0.34 (95% CI 0.16-0.55)相关。该模型还估计了DTW距离与身体健康改善之间的负相关关系;然而，这种关系没有统计学意义。gydF4y2Ba

第二个面板(模型2)gydF4y2Ba 表7gydF4y2Ba为两种最常用的会话类型:冥想和睡眠故事，提供了相同的客观应用程序使用度量。结果表明，冥想的DTW距离是心理健康改善和非常改善的重要预测因子。具体来说，冥想会话的DTW增加1%与使用应用程序改善心理健康的OR为0.72 (95% CI 0.50-0.97)，与使用应用程序改善心理健康的OR为0.44 (95% CI 0.27-0.69)相关。睡眠故事会话的DTW距离的变化也与改善(OR 0.72, 95% CI 0.44-1.43)和改善心理健康的几率呈负相关(OR 0.57, 95% CI 0.31-1.06);然而，这些关系在统计上并不显著，在身体健康改善的两项测量中也不显著。此外，DTW距离测量也是未来28天内使用该应用程序进行更多冥想和睡眠故事的重要预测指标(gydF4y2Ba 多媒体附录4gydF4y2Ba及表S1gydF4y2Ba 多媒体附录5gydF4y2Ba)。gydF4y2Ba

本研究旨在建构并检验反身冥想习惯的客观指标，并探讨冥想习惯与心理健康的关系。为了实现第一个目标，我们构建并提供了证据，证明我们对时间上相似的应用程序使用的新测量强有力地预测了未来的应用程序使用，因此，可能表明反身冥想习惯的存在。具体来说，在控制了用户人口统计数据和常见应用使用指标(如应用会话的频率和持续时间)后，连续几天应用使用的时间相似性可以显著预测未来应用使用的几率和未来使用的持续时间。也就是说，每天大约在同一时间使用冥想应用程序与更持久地使用冥想应用程序有关，这表明这种时间相似性的测量能够表明反射性冥想习惯的形成。gydF4y2Ba

然后我们发现，日常冥想应用程序使用的时间相似性增加与使用该应用程序改善心理健康之间存在显著关联。这一发现表明，激发冥想所需的认知努力减少，从而形成反射性冥想习惯，可能使个人在正念冥想练习中使用更多的认知资源，从而体验到更大的心理健康益处。这一解释得到了描述注意力资源影响的研究的支持[gydF4y2Ba 36gydF4y2Ba]和脑力劳动[gydF4y2Ba 37gydF4y2Ba-gydF4y2Ba 39gydF4y2Ba不同冥想练习的成功。由于正念冥想的目标是将一个人的注意力集中在当下，这些发现表明，如果冥想是条件反射性的，不需要费力的深思熟虑，这种练习可能更容易进行。然而，我们的研究并没有探究时间相似性与改善心理健康之间关联的具体机制，这是未来研究的一个重要领域。gydF4y2Ba

我们的描述性结果发现，许多可观察到的人口统计学和社会经济特征与自我报告的心理和身体健康改善显著相关。相反，只有个人的年龄与未来使用应用程序的可能性和持续时间显著相关(gydF4y2Ba 多媒体附录3gydF4y2Ba)。这些发现表明，行为习惯在人口统计学特征中是相同的;然而，未来评估正念冥想练习的健康益处的研究应该仔细控制这些重要的人口和社会经济因素。此外，研究结果显示，在调查前的14天内，冥想次数超过中位数的人，心理健康状况得到了更大的改善，这为正念冥想对心理健康的好处提供了额外的证据。gydF4y2Ba

总的来说，这是一个非常活跃的应用用户样本，在研究期间，平均有55.7%的人在某一天使用任何应用程序。这并不奇怪，因为样本包括付费订阅者，他们回复了应用程序的电子邮件，并自愿参与研究以帮助改进应用程序;因此，将这项研究的结果外推到其他用户类型时应谨慎。尽管该样本中的人口统计学和社会经济少数群体没有显示出显著不同的应用程序使用模式，但这些群体的小样本量限制了这些比较的统计能力。未来关于正念冥想行为的研究应该旨在从更广泛的用户人群中收集数据，以更好地描述冥想习惯和所有用户所经历的心理健康益处。gydF4y2Ba

另一个限制是为这些分析编制的数据集的性质。具体来说，在用户完成对他们感知的心理和身体健康益处的调查前后，对日常应用程序使用的客观测量进行了编制。这意味着许多用户在被纳入样本之前就已经在使用这款应用;因此，分析既不能描述应用程序用户的初始行为，也不能确定形成暂时相似的冥想习惯所需的初始时期。此外，冥想习惯的测量侧重于应用程序使用的时间维度，因为没有收集用户行为背景或环境的直接测量。未来的研究将日常行为的时间动态与额外的上下文信息相结合，可以为这种习惯形成过程提供更完整的图景。由于时间数据很容易从各种健康应用程序和其他移动健康设备中获得，本研究提供了一种分析习惯形成过程的方法，可以很容易地应用于这些不同的健康行为设置。最后，并不是所有的反身性行为习惯都会在每天大约同一时间发生，我们对时间相似性的测量只能识别由时间相似的上下文线索引发的习惯。正如过去的研究发现的那样，大多数习惯都是由暂时相似的上下文线索引发的[gydF4y2Ba 25gydF4y2Ba，gydF4y2Ba 26gydF4y2Ba]，高度的时间相似性是反射习惯的重要指标，但不是必要条件。gydF4y2Ba

这项研究基于连续几天之间的DTW距离构建了一个时间相似的每日冥想应用程序使用度量，这增加了使用DTW距离来检测各种行为和健康数据设置中的时间模式的新兴文献[gydF4y2Ba 40gydF4y2Ba-gydF4y2Ba 45gydF4y2Ba]。DTW距离最常见的现有用途之一是对日常健康行为模式进行分类。例如，通过分析参与者在24小时内饮食行为之间的DTW距离变化来识别不健康的饮食习惯[gydF4y2Ba 43gydF4y2Ba]。DTW距离测量也被用于识别不健康的久坐行为[gydF4y2Ba 41gydF4y2Ba以及通过儿童在完成固定的电脑任务时的身体运动模式来诊断多动症[gydF4y2Ba 42gydF4y2Ba]。在临床环境中，基于dtw的措施已被用于识别肾移植排斥反应的早期迹象[gydF4y2Ba 40gydF4y2Ba]并对外科医生的经验水平进行分类[gydF4y2Ba 44gydF4y2Ba]。最近的研究也使用基于dtw的方法从纵向健康数据进行预测，例如预测2型糖尿病患者未来的血糖水平[gydF4y2Ba 45gydF4y2Ba]。在这项研究中，我们将这种预测方法扩展到预测未来的健康行为，并表明连续几天使用冥想应用程序的时间相似性的DTW距离测量显着预测个体未来的冥想行为。这项研究增加了使用时间相似性测量来表征健康习惯的新兴文献[gydF4y2Ba 46gydF4y2Ba]。gydF4y2Ba

这篇论文也有助于移动健康文献特征的移动电话应用程序参与随着时间的推移。应用使用量的下降是许多基于应用的健康促进工具的一个重要问题和限制，研究人员发现，应用的持续时间越来越短[gydF4y2Ba 47gydF4y2Ba]。这与在行为干预过程中使用其他移动健康工具的次数下降是一致的，这在自我监控技术(如身体活动追踪器)中得到了观察[gydF4y2Ba 48gydF4y2Ba]和血糖监测[gydF4y2Ba 49gydF4y2Ba]，以及坚持心脏衰竭的远程监测项目[gydF4y2Ba 50gydF4y2Ba]。这项研究表明，日常冥想应用程序使用的时间相似性是持续使用应用程序的重要预测指标，这表明未来基于应用程序的健康促进工具和干预措施在提供需要长期一致表现的健康益处时也应该促进时间相似性。gydF4y2Ba

促进更健康的习惯是改善许多健康结果的一项重要公共卫生目标。然而，迄今为止，习惯形成的研究依赖于自我报告的测量，尚未使用通过移动健康设备收集的大量新的行为健康数据。该领域测量健康习惯和了解习惯形成过程的方法有限，可能导致缺乏成功建立持久行为改变的行为健康干预措施。gydF4y2Ba

这项研究提出了一种新的客观指标，该指标来自于一款正念冥想手机应用收集的详细、客观的行为数据。我们对连续几天冥想应用使用的时间相似性进行了测量，即使在控制了用户的人口统计学和社会经济特征以及使用频率和持续时间等常用应用使用指标之后，也能显著预测未来的应用使用情况。重要的是，这种时间相似性测量也与使用该应用程序改善心理健康的可能性更大有关，这表明形成一种反射性冥想习惯可能会带来额外的心理健康益处。这种时间相似性的测量可以很容易地应用于行为健康数据的其他来源，未来的研究应该建立在这些发现的基础上，通过调查时间相似性在这些其他行为环境中识别习惯的能力。此外，未来的研究应该调查反射性冥想习惯是否可以增加正念冥想对心理健康的益处。gydF4y2Ba