LENS：将多模态生理信号转化为心理健康叙事的创新框架

LENS（LLM-Enabled Narrative Synthesis）是由达特茅斯学院、弗吉尼亚大学和哈佛医学院团队开发的创新框架，旨在将可穿戴设备采集的多模态生理信号与大型语言模型（LLM）对齐，生成具有临床意义的心理健康叙事报告。该框架解决了传统心理健康评估的局限（如依赖回顾性报告、临床负担重）及现有LLM无法直接处理时间序列数据的技术鸿沟，通过构建超过10万条传感器-文本配对数据集，实现原始信号到自然语言叙事的端到端转换，为数字心理健康领域提供新路径。

心理健康问题是全球公共卫生重要议题，美国每年约18%成年人受焦虑影响、9.5%经历抑郁。传统评估依赖结构化访谈和自评量表（如PHQ-9、GAD-7），但存在临床负担重、依赖回顾性报告、难以捕捉真实世界行为模式等局限。可穿戴技术普及为监测提供新可能（行为/生理信号与症状关联），生态瞬时评估（EMA）能捕捉日内波动，但海量传感器数据转化为临床可用信息仍是难题，现有LLM无法直接处理时间序列数据限制其应用。

研究团队开展90天纵向研究，招募258名重度抑郁症参与者，佩戴Garmin vivoactive3手表并使用手机应用，每日三次推送EMA问卷（13个PHQ-9/GAD-7改编项目，0-100分）。同时记录GPS、步数、加速度计、通话时长、锁屏事件、心率、睡眠、压力等传感器信号，将EMA完成时间与前4小时数据对齐，构建50957个样本数据集。文本标注通过模板映射（EMA问题-回答转频率短语）、Qwen2.5-14B重写（提升流畅性多样性）、多智能体LLM质量控制（确保准确完整临床相关）生成。

LENS核心是传感器-文本对齐方法：采用补丁级时间序列编码器，将连续信号分割为固定长度补丁，线性变换生成与文本词嵌入维度相同的向量；传感器嵌入与问题文本嵌入交错输入LLM，通过两阶段课程学习训练（第一阶段对齐，第二阶段叙事生成微调）。该设计优势：避免序列化文本的上下文限制和精度损失，消除绘图偏差，让LLM原生理解时间序列模式。

定量评估中，LENS在BLEU、ROUGE、BERTScore等NLP指标及症状严重程度准确性指标上均优于基线模型。专家用户研究（13名心理健康专业人士评估117个样本）显示，生成叙事全面且有临床意义，能为决策提供参考，专家赞赏其整合分散数据为连贯个人状态描述的能力，比量表分数更易理解沟通。

LENS是数字心理健康领域重要进展，首次实现多模态生理信号与LLM深度对齐，为健康传感数据智能解读开辟新路径。方法论可扩展至慢性病管理、老年健康监护、运动员训练监控等场景。但需关注数据隐私安全（敏感信息需严格保护）、模型公平性与泛化能力（需在多样化人群验证），团队计划后续改进。

LENS通过创新数据构建流程和模型架构，成功实现原始传感器信号到临床叙事的端到端转换，贡献10万+高质量训练数据及可扩展技术路径，支持LLM直接推理行为信号辅助临床决策。随着可穿戴普及和传感器进步，LENS为从行为数据提取健康洞察并以人类可理解方式呈现提供前景，预示AI将成为连接量化自我与临床护理的桥梁。