Title 年份 方法 結果 討論 摘要 10~20篇
| 年份 | 文章英文標題 | 文章中文標題 | 研究目的 | 數據種類 | 樣本數 | 主要預測結果 | 重點發現 | 使用模型&算法 | 待追蹤議題 | 備註 | 讀完後的想法＆研究方向 | |
| 2023/ SCI/ IF 6.8 | Graph Self-Supervised Learning With Application to Brain Networks Analysis | 圖形自我監督學習及其在大腦網絡分析中的應用 | 用自監督解決有限數據＆監督不足（標注不足），同步使用兩種算法讓模型同時考慮腦區連接＆時間性。識別ASD, MDD, BD的biomarkers. | fMRI 公開數據庫 | ASD:HC=403:468 MDD:HC=151:246 BD:HC=126:246 | ASD預測結果：當時DL當中最佳（ACC 71.3%）👉與2023年前的fmri模型相比 MDD預測結果：當時ML及DL當中最佳，若加上SRL 模型 (考慮時間因素) 效果更好74.7% BD預測結果：當時ML及DL當中最佳，大幅領先其他研究（ACC 76.9%） | 找出腦區連接，發現ASD高連接區域在前額葉（前30名當中有23條）且與DMN高度重合。 模型遷移學習發現BD & ASD大腦連接特徵 存在高度相似 透過腦區關聯，讓研究結果不再只是黑箱、不可解釋 | SSL(自監督) MAE（遮罩自編碼器） Local Topological-aware encoder(局部拓樸感知編碼器) Node-Edge Bi-Decoder (節點-邊雙解碼器) 註：上面兩個類似Transformer原理 SRL (訊號表示學習模組) 👉 考慮時間因素 MLP (多層感知器) 👉 最後用普通ML分類 Pearson 相關係數 👉 分析腦區連接相關性 | 多模態融合：結合fMRI數據＆其他量表or生理數據 跨疾病特徵的遷移學習（找出其他可能相關的精神疾病） 擴大訓練規模，或許可以找出更詳細的腦區連接關係 | 名詞解釋： SSL 自監督學習 ML 機器學習 DL 深度學習 HC 健康樣本數 | 1. 提升準確率，一定要考慮到「時間相關性」 2. 可找用類似技術，以EEG為主的相關研究 3. 用遮罩SSL的方式，可以解決特徵不足的問題，讓機器去學習數據「應該長什麼樣子」 4. 類似Transformer（帶編碼/解碼器）的方式，是可以用在生理數據上的 5. 心理學界發這個可能沒人看得懂（算法很經典，但是連SSCI都沒有） | URL |
| 2025/ SCI/ IF 3.3 | Depression Detection and Diagnosis Based on Electroencephalogram (EEG) Analysis: A Comprehensive Review | 綜述基於腦電圖(EEG)分析的憂鬱症檢測與診斷:綜合評論 | 系統性分析EEG在過去研究當中，以DL及ML預測的結果，討論包括「預處理、特徵提取、模型開發」 | EEG 系統性回顧自2016~2024的憂鬱症EEG預測文獻，共92篇 ML佔比57% DL佔比43% | 常見的方法及子技術： ML:SVM=46%, KNN=36%,LR=18% DL:CNN=49%, ANN=8%, LTSM=43% | 前處理：notch filter, ICA為主流。 特徵提取：非線性特徵（SOAP, phase space trajectories）較常在ML&DL被使用 特徵選擇：DL數據不需降維，且可以處理大型數據集，可以自動提取特徵（但可解釋性低） 分類：ML: SVM、KNN最常被使用 DL:CNN, LTSM常用，可直接處理EEG訊號（不用統計/降維），不過可解釋性低 | 缺乏Naturalistic EEG研究：MDD患者在現實世界社交生活的EEG樣式 缺乏轉變狀態的生物標記：MDD發作與緩解的生物標記研究不足 數據太小、缺乏變異性：大部分模型都是為特定數據庫設計，泛化能力都很差 | ML:以SVM準確度最高（97%），結合EEG衍生的 Synchronization Likelihood (SL)特徵，可以有更好結果（98.7%） DL:CNN主流，CNN-LTSM 準確度最高（98.8%） | 數據增強技術：GAN、合成更大量的數據集、採集更多樣的數據集、無限便攜式EEG設備 結合其他數據：fNIRS,fMRI 探索自動化特徵提取：非線性方法（高階頻譜、模糊熵、RQA） 優化通道選擇 探索使用DNN遷移學習的編碼器-解碼器架構：類似Transformer+遷移學習 區分憂鬱症類型：區分單向＆雙向型憂鬱(BDD) IOT設備即時偵測： 即時心理健康評估 | 1. ML泛化能力差，大部分研究轉向DL (但DL難解決樣本不足的問題) 2. 作者比較的數據，AUC都很高（90%以上），不過沒有討論到跨庫驗證數據 3. 有關於AUC,ACC的「平均」計算方式需要釐清，大部分數據好看的研究都是採用「加權平均」（包括葉的研究），可以解決樣本不平均的問題，不過完全禁不起驗證，跨資料庫驗證必死 （不過SSCI好像很喜歡？！） 4. 作者也有提到DNN(深度神經網絡)是趨勢，遷移學習、編解碼器 應該是未來研究趨勢 5. 目前MDD研究確實缺乏「轉變狀態EEG的研究」＆ 患者在真實世界的EEG狀態（大部分都還是採取靜息態的研究） 6. 在「結合其他數據」這部分，作者只有提到結合其他的生理數據（包括fNIRS,fMRI），不過很好奇為什麼沒有把量表（例如BAI, BDI）也納入討論 | URL | |
| 2024/ SCI/ IF6.8 | Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification | 圖形自編碼器用於腦網絡中嵌入學習及重度憂鬱症識別 | 比較用監督＆無監督訓練方法，面對fMRI數據的痛點（時間短＆腦區多），用傳統統計的Ledoit-Wolf(LDW)收縮估計法做前處理，用更傳統更簡單的模型區分MDD與HC | fMRI 公開數據庫 | 數據集A(Duke-MDD): MDD:HC=20:23 數據集B(南京大學Site20): MDD:HC=250:227 | 1. Duke數據集（小樣本,5 flot cv）使用無監督（GAE-FCNN）的結果ACC達72.5%，超越當時主流方法 2. 證明LDW統計方法＋自監督的優越性： 自監督ACC 72.5% > 監督ACC 62.5% LDW統計修正ACC 72.5% > Pearson相關係數58% | 找出腦區異常： MDD患者的杏仁核連接減少（尾狀核、顳葉、小腦之間） MDD患者的DMN連接增加（可能與反芻思考相關） 不需要複雜的模型（如Transformer），只要用統計的LDW+無監督，一樣也能達到很高的準確率 | UL(無監督) GAE(圖自編碼器)（２層） FCNN (全連接神經網絡) 👉類似MLP LDW收縮估計法 👉 傳統統計，對標2023的Pearson相關係數 | 增加時間動態性：該研究使用LDW統計方法，因此只能聚焦在靜態的大腦網絡，忽略了腦區之間連接會隨時間變化。 融合多模態數據：結合不同的影像模態（擴散影像 Diffusion Imageing）？ 增加可解釋性：探索GCN如何在臨床提供可解釋性的方法，而不是只有跑結果 | 1. 時間相關性也可以分成動態＆靜態，動態可以針對數據的每分每秒相關做出關聯，而靜態則是該數據整段時間的相關性（動態較多細節，但是容易有雜訊，靜態細節少，但更準確？） 2. 跟過去主流用Pearson相關係數找腦區連接相比，使用傳統統計的Ledoit-Wolf(LDW)也是一個可行的選項（更不容易受雜訊影響） 3. 數據小不一定結果差，除了可能是overfitting影響，也可能可以用「資料比較精確＆乾淨」來解釋 （雖然感覺有點狡辯） | URL | |
| 2025/ SCI/ IF 6.3 | Self-supervised spatial–temporal contrastive network for EEG-based brain network classification | 自我監督空間–時間對比網路用於基於EEG的腦網絡分類 | 解決現有方法難以充分利用大量未標註的EEG數據＆未充分捕捉腦內空間和時間關係的問題，提出專為EEG分類設計的自我監督空間–時間對比網路 (SS-STCN) 框架。 | EEG (10-20) 256Hz/ 16bit Bandpass1~40Hz Z-score標準化 GSR皮膚電反應 | 公開數據庫： 癲癇數據：CHB-MIT 23名癲癇患者 958小時錄音, 198小時癲癇片段 選擇16條所有患者共有的通道 情緒數據：DEAP 32位受試者 看41個一分鐘長的短片 | 1. 區分腦波狀態是癲癇or正常：（CHB-MIT） - F1 97.84%/ AUC 97.81% 2. 用同樣的方式去訓練情緒數據，區份當下是valence or Arousal：（DEAP） Valence: F1 97.98%, AUC 98.09% Arousal: F1 97.67%, AUC 97.14% | 1. SS-STCN 模型在癲癇分類和情感識別任務中優於2025的監督和非監督方法 2. 結合空間（SGAT）和時間（TBLSTM）特徵能更全面理解腦網絡內的複雜相互作用，將fMRI的論文想法應用到EEG 3. 自監督對比學習有效利用EEG的未標註數據 | SSL(自監督) Contrastive Learning （對比學習） STCN (Spatial-Temporal Contrastive Network):時間空間對比網路 Spearman 相關性結構 👉 找 SGAT (Spatial Graph Attention Network)：空間圖注意力網絡 👉 聚合特徵 - TBLSTM (Temporal Bi-directional LSTM)：時間雙相長短期記憶 👉 大腦電極之間相關性 | 1. 數據集相對較小且缺乏多樣性，可能限制泛化能力（沒有做跨庫驗證） 2. 自監督機制依賴特定的正負樣本構造（正負樣本要有相同比例） 3. 模型複雜度高，計算開銷大，限制了在資源受限設備上的應用 | 1. SSCL跟EEG相關研究，在初期是用來分類「睡眠階段」，跟研究室方向比較相同 2. 這篇論文更偏電腦科學/工程學，後半段運算部分寫得很模糊，不太能從中知道運算細節，主要展現的都是ACC/AUC數值，比較像是跑分大賽。。 3. 跟前面幾篇不同，這篇用Spearman畫相關係數（前面幾篇是Pearson or LDW） 4. 應用在區分癲險可能可行，不過遇到像是MDD的EEG數據來說，1秒（甚至更短）的數據很難用來區分MDD/HC 5. SSL＋對比學習（CL）是趨勢，不過操作更複雜，數學算式更多，不確定心理學領域能不能發。。 | DOI_Link | |
| 2025/ SCI/ IF 6.8 | EEGDepressionNet: A Novel Self Attention-Based Gated DenseNet With Hybrid Heuristic Adopted Mental Depression Detection Model Using EEG Signals | EEGDepressionNet: 一種基於自注意力的 新穎門控密集網絡,結合混合啟發式認知的電 子腦波信號精神憂鬱檢測模型 | 過去DL預測憂鬱的模型，在跨庫驗證當中，經常會預測不準，透過對EEG訊號（頻譜、波形、頻率）分別用3種專屬模型找出特徵，再透過具有自注意力機制的模型（SA-GDensenet）及團隊自行開發的數學/生物演算法（COIWSO）來做參數優化，找出最適合用來預測的權重＆參數，來提高準確率 | EEG 細節作者都沒寫，只有說數據已經經過預處理 | 公開數據庫：（Depression-Rest Dataset） 122名受試者 作者沒列出MDD/HC比例 | 1. 將EEG數據透過多模型組合運算，效果會比指使用單一（頻譜、波形、頻率）模型效果更好。 2. 使用COIWSO整合三種模型效果後，預測MDD的ACC高達96% 3. 演算法的選擇也很重要，使用COIWSO的結果在收斂速度、誤差下降優於JAYA, DHOA | 腦波雖然只有一種數據，但是透過特徵融合（頻譜、波形、頻率）分別找出特徵，準確率高於傳統AI(BiLTSM, DNN, SVM…) | SL（監督式) 3D-CNN(三維卷積神經網絡) 1D-CNN(一維卷積神經網絡) COIWSO(混沌貓頭鷹入侵雜草搜索優化算法) SA‐Gdensenet（自注意力門控密集網絡） | 1. 數據集太小，而且因為是採用開源數據集，無法確定數據集的預處理細節 2. 多層聚合模型可以提高準確度，但是也因此讓可解釋性變得極低，需要改善模型的可解釋性。 3. COIWSO演算法跑分雖然很高，但是僅針對該份開源數據集去做參數調整，泛化能力未知 4. 作者期待能做一個Mobile-base applications 對MDD患者做24Hr的心理監測 | 1. 這篇主要是討論數學演算法的部分，完全不討論病理機制，比較像是一篇工程數學拼演算法準確率的論文。 2. 在2024年用監督式學習也能跑出96%的AUC，代表或許監督式學習只要多疊幾層模型，透過多層模型的交互協作運算，或許準確率也可以很高。？ 3. 這篇的作者完全沒有任何醫學/心理學/醫學工程背景相關，全部都是資訊工程背景，用的數據也是Kaggle開源的EEG數據，這是否代表如果論文只是為了要拼準確率ACC，心理學領域的專業知識或資源好像幫不上忙？！ | DOI_Link | |
| 2025/ 期刊標籤/影響因子未知 | Systematic Review A Systematic Review of Mental Health Monitoring and Intervention Using Unsupervised Deep Learning on EEG Data | 系統性回顧：使用無監督深度學習對EEG數據進行心理健康監測和干 預的系統性回顧 | 系統性分析從2018~2025年3月的文獻，使用非監督式/自監督式學習技術用於心理健康監測、診斷、分析EEG數據。 | EEG 系統性回顧自2018~2025的EEG數據搭配非監督/自監督學習的文獻，符合條件共0篇 | 文獻檢索： 檢索後剩下403篇文章，排除後剩下20篇進行兩名研究人員的獨立篩查，最終篩選後剩下0篇。 | 1. MDD醫學診斷依賴主觀的臨床評估＆症狀報告，不同狀況之間存在變異性/異值性，各個資料集之間異值性高，因此泛化能力存在限制。 2. EEG數據本質高維、吵雜、容易受到偽影影響，雖然DL比ML更適合處理EEG的複雜性，但是仍需要大量的標注數據才能避免overfitting。 3. UL可以透過降維＆自編碼器來學習高維度的EEG特徵，同時還可以減少噪音雜訊的影響。 4. UL的K-means 跟 GMMs(高斯混合模型)可以將特徵相似的EEG分組在一起，藉此找出亞型疾病＆潛在的活動模式。 5. UL的GANs(生成對抗網絡)可以生成模仿真實數據的合成數據，可以創造接近真實的EEG樣本 | 找不到任何完全用UL在EEG上的研究結果。推測可能原因： SL在過去已經被成功應用，帶標籤（有病/沒病）的方式能直接提供可量化的性能指標（ACC & F1 Score），在臨床上更能夠解釋。👉 SL雖然具備這些優勢，但也同時限制了其泛化能力，並且無法找出潛在的生物標記。 UL演算法的運作方式跟人類大腦運作方式十分相似，且精神疾病在最近的研究當中被認為是「跨多個神經系統的維度紊亂，而非離散的類別」，UL特別適合捕捉這種複雜性特徵。 | UL(無監督) SSL(自監督) | 1. 多模態整合：將EEG結合fMRI, fMIRS或生理測量數據，用互補資訊來增強性能。 2. 擴展非監督式定義：若嚴格定義「非監督」，會將「自監督」的文獻剔除，但臨床主流目前還是以「自監督」研究偏多。 3. 混合式方法：探索將UL跟SL相結合的混合模型，使用UL學習特徵，再用SL分類已顯示出前景。 4. 模型可解釋性：UL會發現複雜、潛在的臨床特徵，要找出如何解釋UL結果的方法。 5. 用UL(擅長找出潛在特徵)的特性，研究如Gamma頻段的生物特徵，填補關鍵空白 | 1. 這篇的作者把UL跟SSL分開，導致無法找到大量目前臨床主流以SSL做的研究。 2. 以理論來說，確實UL適合找出潛在的特徵，但是就過往EEG的研究結果來看，好像還是沒辦法找出那些具有決定性的「關鍵特徵」，我不禁思考，如果別人都找不到，那我找得到嗎？ 還是說 MDD的關鍵特徵根本就不存在，而是被個體的異值性影響？ 3. 之前看過的純UL文獻，大部分都是以「大量樣本數據」夾上「明確的標籤」（例如服用SSRI/SNRI的數據）來做類聚分群，而EEG本身是連續性的電訊號，要如何把它變成如用藥數據般的「數字」本身就具有挑戰性。 | DOI連結 | |
| 2024/ SCI/ IF50.0 | Personalized brain circuit scores identify clinically distinct biotypes in depression and anxiety | 個性化大腦電路分數辨識憂鬱症和焦慮症 中的臨床不同生物類型 | 透過過往文獻確定了6種大腦電路輪廓：D:預設模式, S:顯著性, A:注意, NS:被悲傷刺激所誘發的負面情緒 電路, NTC:被有意識威脅刺激所誘發的負面情緒電路, NTN:被無意識威脅刺激所誘發的負面情緒電路, P:正面情緒電路, C:認知電路。 把每個病人的6種電路跟健康組對照，並用UL方式類聚分類，找出6種MDD的生物類型。 | fMRI 團隊收案 | 801人 實驗組： - 95%未服藥（fMRI掃描當下） - MDD 48%, GAD28%, PD 10%, SAD 26%, OCD 7%, PTSD 5%, 共病28% 137人 健康對照組： 健康個案 | 區分出6種大腦生物類型(Biotypes)： 1. DC+SC+AC+型：(大腦很忙型)預設、顯著、注意力過度連接，但對CBT反應好 2. . AC-型 （注意力渙散型）：注意力電路連結太弱，易衝動，無法專注，CBT反應差 3. NSA+PA+ 型（情緒過載型）：對負面＆正面刺激都反應強烈，有嚴重的Anhedonia. 4.CA+ 型（理智過勞型）: 認知控制電路過度活躍，容易焦慮、負面偏見重，對Venlafaxine(SSRI，藥名：速悅XR)反應特別好 5. NTCC-CA- 型（反應遲鈍型）: 對威脅反應弱，面對控制也弱。 6. DXSXAXNXPXCX型：大腦電路跟HC相同 | 1. 打破舊有DSM的診斷分類方式，作者認為傳統的精神科診斷（DSM系統）是根據「症狀」區分，但在大腦連接上，憂鬱跟焦慮可能有相同的大腦生物特徵。 2. 同樣被診斷為憂鬱症，卻可以從生物類型+非監督，去找出藥物適應性，或者找出較適合CBT治療的個案，更貼近精準醫療的概念。 | UL(無監督)：階層聚類分析 | 1. 治療反應數太小：目前該研究針對特定藥物樣本數過小，且容易受到其他共病干擾，需要有更大規模的類似研究。 2. fMRI動態任務限制：該研究結合了靜息態＆動態任務的fMRI，不過動態任務更花時間，對臨床應用負擔更重，需要有更簡單實用的任務模式來替代。 3. 統計效應值（Effect Size）過低：研究結果雖然可以區分６種類型，但在臨床重疊度仍然很高，如果沒有UL運算很難區分，需要更精細的臨床測量工具 | 1. 這篇超讚，不過好像沒有SSCI(很奇怪) 2. 研究雖然是寫depression and anxiety，但是實際上除了MDD跟GAD，還有PD,SAD,OCD, PTSD，不同精神疾病可能在大腦網路連接存在相同的生物特徵。 3. 比起跟醫學工程、資訊工程的專家拼差不多的AUC去區分MDD跟HC，臨床心理的優勢會不會是「區分精神疾病的各種潛在類型？！」，這樣子的研究對於憂鬱症群體（或其他精神疾病群體）才是真正有意義的研究，也不用昧著良心改數字？？ | DOI Link | |
| 2019/ SSCI/ SCI/ IF 14.7 | Electroencephalographic Biomarkers for Treatment Response Prediction in Major Depressive Illness: A Meta-Analysis | 重度憂鬱症治療反應預測之腦電圖生物標記:一項統合分析 | 透過2000~2017的文獻回顧，去檢視當時標榜用QEEG（量化腦波）做藥物預測及治療預測的商業腦波檢測的實際成效，並用相關統計方法檢視其是否具有真正成效。 | QEEG 系統性回顧自2000~2017的QEEG做MDD的相關研究（與治療成效相關研究），符合條件共81篇 | 藥物反應:70%(57/81) - Citalopram:23%(18/57) - Venlafaxine:19%(11/57) 17%(14/81):對rTMS反應 靜息態EEG:70%(57/81) 沒有對EEG做source-localize:79%(69/81) 低頻EEG:31%(25/81) | 1. 當時的QEEG在臨床上一點也不可靠，不建議拿來選藥 2. sensitivity=0.72, specificity=0.68 👉 代表比猜的0.5再好一點 3. 從漏斗圖來看所有研究成果，會發現只有「少樣本、預測結果極佳」的數據被發表，而大多數發現QEEG不具備信效度的研究則被隱藏。 4. 大多數研究都是小樣本，而且大多數都沒做CV，也都完全無法複製。 | 1. LDAEP（響度依賴性）： 測血清素功能，結果不穩定。 2. Theta/Alpha Power（腦波能量）：當時 最常見的指標，結果也是好壞參半 3. Cordance / ATR（抗憂鬱反應指數）： 這是當時很紅的指標，作者發現除了研究團隊自己做出來有效之外，別人拿去用常常沒效 | 僅用傳統統計 | 1. 需要訂定一定的標準，如測量感測器及測量時間（強制執行一致的標準會降低研究自由度，但是可以讓所有研究更具信效度） 2. 所有研究都要做CV，才能知道QEEG的預測結果是否真正具有信效度 | 1. 能進SSCI的期刊好像也可以說實話？！ 2. 在那之後（2019）大部分EEG研究好像都已經遵循一定主流標準的預處理，Quantitative EEG（QEEG）詞彙使用率降低，也為EEG研究的預處理＆標準化訂定基礎。 3. 當時較少有關於EEG與ML/DL相關研究，因此作者是採用統計方式去檢核相關研究論文，而大多數論文也都是以統計方式推倒結果。以現在2026年的基準來看，除了ML還具備一定程度的可解釋性（可用統計方法審視研究結果是否overfitting），若以DL做相關研究，除非研究者自身願意做（真正有用的）跨資料庫驗證，否則經過多層編解碼器的數據，好像並不具備通用的檢核方式，也存在許多能造假/修飾優化數據的空間？ | DOI URL | |
| 2025/ SSCI/ SCI/ IF 3.2 | Real-time monitoring to predict depressive symptoms: study protocol | 即時監測以預測憂鬱症狀: 研究方案 | 透過結合智慧型手機與穿戴式裝置，以線上搜集符合MDD的個案，並且製作健康監測APP蒐集主動資料（自我報告測量, EMA, 日記），以及配合AppleWatch 蒐集生理被動資料，最終期待找出「數位表型（Digital Phenotype）」來預測個案的憂鬱症狀。 | 被動資料：活動能量, 運動分鐘數, 心率, 心率變異性, 靜息能量, 靜息心率, 睡眠模式, 步數, 步行速度 主動資料：自我報告測量, EMA | 150名網路招募的MDD樣本（19~30歲） PHQ-9> 5, SCID-5 | 本論文為研究方案，尚未開始實際研究。 研究者期待找出跟憂鬱相關的Digital Phenotype，藉此嘗試產生以下結果（論文中舉例）：對於憂鬱症狀（量表）與步數存在強烈關聯者，增加體能活動可能是有效的介入方法。憂鬱症狀（量表）與HRV強相關者，壓力管理計劃可能是有效的介入。 | 本論文為研究方案，尚未開始實際研究。 | ML（本論文為研究方案，僅「計劃建立」一個Machine Learning Model） | 1. 150名個案只是為了初步探索，會限制研究的普遍性。未來研究規模及樣本數應該擴大。 2. 研究著重於19~30歲的年輕人，未來研究應該擴大範圍，更全面分析Digital Phenotype在各個年齡層之間的展現。 | 1. 這篇論文只是研究方案，雖然方向跟我的研究興趣一致，但是感覺過於理想化？經過計算後我發現平均每位個案要在14天的研究內填寫超過1500題問卷，對於MDD患者連日常生活都有明顯動力不足的狀況下，作者以「填寫率決定參與實驗報酬的計算方式」是否符合研究倫理？會不會在一剛開始的研究設計方式就已經潛在篩選過受試者（對金錢更渴望的受試者才會完成實驗） 2. 作者在文中有提到有關於穿戴式裝置預測睡眠質量，在憂鬱症患者方面，作者認為檢測效果＆效率優於PSQI (不過沒有引述該觀點來源)，而睡眠效率變異性越大,憂鬱程度越高,且睡眠效率與主觀測量的睡眠品質之間無顯著關聯。 | DOI_Link | |
| 2025/ SSCI/ SCI/ IF 2.7 | Harnessing Digital Phenotyping for Early Self-Detection of Psychological Distress | 利用數位表型分析技術早期自我檢測心理困擾 | 文獻回顧數位表型（Digital Phenotype）用於心理困擾早期偵測的證據與指標，並依據回顧設計/開發ESFY原型手機APP並讓受試者側做並給予回饋，評估其可用性與自我覺察支援效果。 | 被動：智慧型手機感測(GPS, 加速度、螢幕狀態, App使用, 通訊/社交, 活動/睡眠), 穿戴式生理(心率/睡眠品質), 環境(光線/麥克風) 主動：自評問卷/情緒追蹤/EMA | 小樣本手機AP測試： 36位健康大學生 - 18～24歲 - 2男34女 文獻回顧： 2020~2025年間發表論文，與數位表型分析,心理健康,焦慮,壓力相關，專注於心理健康困擾檢測相關論文 | 讓受試者實際操作模擬APP核心功能(功能皆來自於同篇文獻的文獻回顧)：1. 註冊＆連接穿戴式設備, 2. 查看今日心理分數, 3. 查看螢幕使用時間&睡眠數據, 4. 使用LLM聊天機器人, 5. 查看系統根據受試者健康數據給的健康建議 透過NASA TLX量表檢核受試者心理層面反應。 | 即使是健康且對科技熟悉（平均21歲大學生），APP誤觸率達26%(4次點擊就有一次點錯), 脫落率28.6% (有近1/3的人沒有完成所有任務就提前放棄), 任務完成速度29.6秒 受試者主要反饋：1. 隱私恐慌（系統過度蒐集被動數據＆心理狀態，特別是對話紀錄、簡訊等…）2. 懷疑準確度及實用性：認為系統預測的壓力值與事實不符、認為系統毫無用處 | 知識型專家系統架構(knowledge base + inference engine)進行規則推論與個人化回饋，文中並未明確寫出是哪些ML模型。 | 1. 研究在沙國實施，樣本性別失衡與外部效度（男女比例嚴重失衡），需要更大規模數據驗證其效度。 2. 研究依賴受試者的「自我報告」＆「模擬行為數據」，都是在受控環境下進行，不是真實生活中的數據。 3. 數據隱私挑戰：該研究並未實際儲存、對數據做大量部署，未來若大量部署及儲存行為＆心理健康數據（即使匿名化）仍面臨隱私挑戰 | 1. 這篇其實並不是談論MDD，對象是一般大學生。之所以會找這篇看是因為就連一般健康大學生，在填寫手機問卷＆測驗，仍會有1/3無法完成所有問卷或操作。如果連健康個案都會有近1/3誤觸及放棄，要如何要求動力低落的MDD個案，如上一篇研究方案那樣每天70題問卷，連續填兩週。。 2. 這篇寫的很普通，不過有提到MDD,GAD其實跟「身體活動、紊亂睡眠、心律變異」有高度相關，而Digital Phenotype數據剛好可以檢測出上述三種數據。 3. 文中有提到幾種比較特別的Digital Phenotype：螢幕活動（不一致/頻繁使用可能跟焦慮相關）, 通話頻率/持續時間（判斷社交參與或退縮程度）, 簡訊/電子郵件（發送數量較少可能跟高度社交焦慮相關，數位通訊減少可能跟社交退縮相關） | DOI_Link | |
| 2024/ SSCI/ SCI/ IF 3.3 | Beyond mood — depression as a speed disorder: biomarkers for abnormal slowness | 超越情緒 — 憂鬱症作為一種速度障礙:異常緩慢的生物標誌物 | 目前部分研究找出ASD, SZ, GAD相關的潛在生物標記，而MDD由於症狀複雜＆異質性高，且症狀經常耦合（Symptom Coupling）出現， 作者認為當前研究方向錯誤，應該要找出MDD所有症狀底下最基礎的「基本擾動（Basic disturbance）」 | 此篇為研究社論（Editorial） | 此篇為研究社論（Editorial），當中有引用fMRI及EEG相關文獻。 | 作者嘗試提推翻過去主流「MDD是情緒障礙」的觀點，透過查閱過往文獻研究後，建立一個「MDD」是速度障礙（Speed Disorder）的理論。 作者將過去MDD相關的「視覺、腦波、情緒的研究」透過速度的視角將研究串聯，去整合出一套針對MDD生物標記的新觀點。 | 1. 重新定義MDD的情緒低落只是結果，真正的原因是因為大腦的運作速度變慢了（有待後續研究證實）。 2. 將心理學及腦科學已有的研究證據整合，證明MDD所有的症狀其實都是因為大腦變慢。 3. 提出另一套以速度＆精確度，去分類精神疾病（MDD, BD, SZ, GAD）的新方法，透過測量大腦的「動態特徵」（腦波變異性、頻率分布、訊號傳遞延遲現象）去區分。 | 此篇為研究社論（Editorial） 未使用相關模型。 | 1. 個體與群體的落差：目前的研究都是針對在群體上面很顯著，但是如果要以作者的觀點（速度差異）應用到單一受試者的預測，準確度有待後續驗證。 2. 作者引用的關鍵研究樣本數仍不足，限制了結論的普遍性，且還需要後續更多研究證實作者速度差異的觀點是否已經排除了所有MDD的特異性？ 3. 作者觀點與生物指標的連結：作者的研究當中點出的「速度」指標，在研究中僅與生物化學的GABA水平做關聯，未來研究可其他生物化學物質（如血清素）做研究與關聯。 | 1. 這篇提出的觀點很新穎，比起拿一堆小樣本想訓練出精準的模型，或許也可以嘗試從作者的觀點（速度差異、頻率差異）去嘗試訓練出一個具有真正區分能力的模型？！（前面很讚的那篇，也是先拿出一個研究觀點，再根據該觀點去做模型，最後得到一個還不錯的結果。） 2. 由於這篇的IF不高，目前還沒查到在這篇研究之後，是否有後續的研究跟進作者的觀點。由於MDD的個體差異太大，對於作者以「速度」為主要解釋的觀點，我自己也對其觀點是否能有泛化能力保持懷疑態度。 3. 如果MDD的異值性如此高，目前所有的ML方法泛化能力都不佳，如果結合所有關於MDD生物特徵的研究觀點，讓模型去學習「單一MDD個案」的生物特徵，是否可以提供一個新的研究切入點，為MDD個案精準醫療做出研究貢獻？！ | DOI_Link |