基于CNN-GRU深度学习模型的运动活动分析在情绪障碍诊断中的突破性应用

　　为解决情绪障碍诊断中静态临床数据的局限性，研究人员创新性地利用可穿戴设备连续记录的运动活动数据，采用CNN-GRU混合深度学习架构进行分析。该研究在Depresjon腕部活动记录数据集上实现98.1%的准确率，显著超越现有技术，为情绪障碍的客观、无创监测提供了新范式。

　　

情绪障碍(Mood disorders)从轻度到重度均可能显著干扰日常生活，影响人际关系、工作效率和整体健康。全球范围内，心理健康资源匮乏与疾病污名化成为主要障碍。现有诊断方法多依赖静态临床数据或影像学/问卷等模态，而连续运动活动(motor activity)数据的潜力尚未充分挖掘。

通过腕部活动记录仪(actigraphy)获取的连续可穿戴数据，为追踪个体情绪相关行为模式提供了客观、非侵入性方法，相较于间歇性临床评估更能实现持续监测。本研究创新性地采用卷积神经网络(CNN)与门控循环单元(GRU)结合的混合架构，对运动活动序列进行深度分析。在Depresjon数据集上的严格实验表明，该模型准确率达98.1%，显著优于现有最先进技术。

这种基于深度学习的方法不仅突破了传统诊断局限，更开创了通过日常行为模式动态监测情绪状态的新途径，为精神健康领域的精准医疗提供了重要技术支撑。