Neurai-VN基准：标准化机器学习模型用于心理健康多模态数字表型分类

基于Neurai-VN数据集，包含100名越南成年人两周的多模态数字表型数据（被动感知和主动评估），定义了四项心理健康分类任务，使用标准化受试者交叉验证评估线性、树和神经网络基线模型。平均F1得分：健康对照vs抑郁0.71、健康对照vs临床0.71、健康对照vs焦虑0.69、抑郁vs焦虑0.56，为多模态数字表型分类提供了可复现基准。

此前数字表型研究因数据集和预处理不一致难以评估进展。该基准首次基于公开高分辨率数据集，采用标准化受试者交叉验证和多种基线模型，提供了可复现的性能基线，使未来研究有了统一比较标准。

通过收集智能手机和可穿戴设备的被动传感器数据及主动评估问卷，构建多模态特征；采用线性、树和神经网络等通用分类模型，在受试者级交叉验证下评估，避免数据泄漏，从而得到可比较的性能指标。

为心理健康监测类产品（如基于手机和可穿戴设备的情绪分析工具）提供了可复现的算法评估方法和基线性能参考，产品团队可直接参考该基准设计特征工程和模型选型。

• 针对该基准中F1得分较低的焦虑分类（0.69）和抑郁vs焦虑区分（0.56），可研发定制化特征或集成模型提升性能。
• 基于Neurai-VN数据集和标准化流程，可快速搭建面向越南人群的心理健康筛查原型，用于临床试验或早期预警产品。
• 将基准中的特征配置和交叉验证方法迁移至其他文化背景的类似数据集，验证模型泛化能力，拓展产品适用范围。

• 该基准的100名样本是否能代表更广泛人群？跨年龄、性别和其他疾病共病的泛化性待验证。
• 两周的数据采集周期能否支撑长期心理健康分类？更长监测时间是否影响结果？
• 被动感知数据的具体传感器类型和采样频率未在摘要中详细说明，是否影响复现性？