MC-TRCM：面向不完整移动与可穿戴心理健康特征视图的观测感知递归融合

arXiv:2610.11408v1 公告类型：新论文 摘要：公开的移动与可穿戴心理健康数据集通常提供汇总特征表，而非同步的原始传感器流。在这些发布的数据中，每个锚点对应一次调查或标签的时间，并可能结合手机或可穿戴设备的汇总信息、既往症状评分、人口统计信息、临床变量以及来源可用性指标。我们提出 Modality-Conditioned Temporal Recursive Context Model（MC-TRCM），将每个特征来源保留为独立的词元，并将缺失情况纳入输入上下文。对于已观测到的来源，使用其数值和缺失情况摘要进行编码；对于缺失的来源，使用可学习的缺失词元；数据集和任务嵌入为融合提供条件；递归预测头则按照通过验证集选定的步数，逐步细化各项输出。我们采用参与者级别的数据划分，并仅基于验证集进行模型选择，在 DepreST-CAT 和 Prediction of Severity Change-Depression（PSYCHE-D）的六个预定义终点上评估了 MC-TRCM。MC-TRCM 在 DepreST-CAT 的患者健康问卷-9（PHQ-9）和广泛性焦虑障碍量表-7（GAD-7）严重程度预测中取得了最低的平均绝对误差，相较于最佳表格数据基准模型，分别降低了 0.181 和 0.217 个量表分值。分类终点的表现因任务而异：MC-TRCM 在 GAD-7 类别预测中取得了与最佳结果相同的舍入后平衡准确率；在 PSYCHE-D 多分类预测中，其平衡准确率在数值上最高，领先 0.002；在 PHQ-9 类别预测和 PSYCHE-D 二分类预测中，其表现仍接近最强基准模型。消融实验支持了逐特征线性调制、缺失词元、缺失情况投影和递归细化的作用，而校准分析和特征来源对照实验则刻画了各终点的表现特征。我们的代码已公开于 https://github.com/Botwwt/MC-TRCM。