1 引言
尽管2型糖尿病（T2D）的临床护理已取得进展，但其心理健康预测与治疗却相对滞后。当前对T2D患者心理健康问题的理解与治疗缺乏进展，可能部分归因于过度关注宏观、横断面的关联以及心理健康状况发展的长期预测因子。2022年的一份共识声明强调了24小时身体活动和睡眠行为在T2D管理中的重要性。通过研究这些行为相关的日常情绪波动，我们可以更好地理解可能导致宏观层面变化的微观交互。
数字表型被描述为“使用个人数字设备的数据，在自然情境下对个体水平人类表型进行逐时量化的过程”。这些数据可以是“被动”的，例如通过GPS或加速度计传感器“后台”收集的运动特征；也可以是“主动”的，如生态瞬时评估（EMA），涉及实时回答问题。在一般人群中，EMA评估的睡眠质量和体力活动已被证明会影响后续情绪，而来自GPS的客观测量移动性特征（包括居家时间和位置熵）以及加速度计数据已被证明可以预测抑郁症状的变化。数字表型设计在糖尿病研究中应用日益增多，但迄今为止大多数研究都集中在血糖结果上。然而，糖尿病心理社会研究小组强调，心理健康是精准糖尿病医学中“缺失的一环”，并得出结论认为“心理社会因素不仅影响糖尿病的风险和病程，而且心理健康是与身体健康同等重要的精准糖尿病医学目标”。然而，迄今为止，很少有研究探讨糖尿病患者中可调节行为（如睡眠或体力活动）与心理健康之间的动态交互。Jin等人发现，在1型糖尿病患者为期14天的研究中，加速度计得出的睡眠时长与次日负面情绪显著相关，但与糖尿病痛苦无关。同一研究的另一篇论文报告称，更高水平的加速度计得出的体力活动与随后更高的积极情绪和更低的疲劳相关。因此，尽管数字表型研究已应用于糖尿病患者，但关于被动传感和EMA文献中，在T2D患者的体力活动和睡眠对日常情绪的影响、睡眠质量、超过2周的随访以及智能手机衍生的GPS特征方面仍存在知识空白。
本研究采用动态结构方程模型（DSEM）分析为期2个月的EMA和被动传感器数据。首先，我们检验了睡眠质量、睡眠时长和体力活动（通过每日EMA调查评估）对后续情绪的影响。其次，我们检验了加速度计得出的每日步数以及GPS得出的居家时间、访问的重要地点数量和出行距离对情绪的影响。通过与无T2D的样本进行比较，我们旨在确定是否存在T2D患者特有的特定行为-情绪关联。这是一项探索性研究。然而，我们假设，对于有无T2D的个体，更高的自我报告睡眠质量、睡眠时长和体力活动，更高程度的客观测量每日运动以及更多的运动变化（访问地点）都将具有情绪改善效果。鉴于健康行为在T2D管理中的核心地位，我们还假设T2D患者的行为-情绪关系会比非T2D患者更为显著。
2 方法
2.1 样本
参与者来自爱尔兰共和国于2021年2月至8月期间进行的智能手机、行为和情绪研究。入选标准包括：年龄在18-70岁之间、居住在爱尔兰、精通英语并拥有一部智能手机。样本量未预先确定，因为该研究的主要焦点是评估研究设计的可行性并估计效应量。
如果参与者在预测变量或结果变量上提供少于12天的数据，则从本分析中排除。根据建议，进一步剔除了没有或几乎没有个体内变异（每天提供相同答案）的参与者。图1描述了参与者被排除的过程。纳入的参与者平均缺失36.5%的EMA数据、5.6%的加速度计数据和11.2%的GPS数据。本研究中使用的DSEM分析对高缺失率具有稳健性。
研究获得了都柏林大学学院人类研究伦理委员会的伦理批准。参与者提供了书面知情同意书。
2.2 程序
参与者下载了Beiwe应用到其智能手机上，该应用收集手机传感器数据（加速度计和GPS）并发送EMA通知。参与者在2个月内每天收到两次EMA，一次在上午8点（睡眠调查），一次在晚上7点（情绪和行为调查）。参与者有一个三小时的窗口期来完成调查。参与者在基线、1个月和2个月随访时完成人口统计学、生活方式和心理社会问卷。
2.3 数据处理与特征提取
通过参与者智能手机的加速度计和GPS记录的原始数字表型数据，使用Forest库（一个为分析Beiwe数据开发的开源Python库）进行处理。确定了GPS的每日移动指标：访问的重要地点数量、居家时间和出行距离，以及加速度计的步行步数。
2.4 EMA 睡眠时长与质量
睡眠时长通过问题“昨晚您大约睡了多少小时？”进行评估，选项为0到9小时以及>9。对于睡眠质量，参与者被问到“您如何评价昨晚的整体睡眠质量？”，评分范围为1到10。
2.5 EMA 体力活动
参与者被问到“以下哪一项最能描述您今天进行的体力活动/锻炼？”，回答选项包括：无体力活动/锻炼；少于15分钟；16-29分钟；30-44分钟；45-59分钟；1-2小时；以及超过2小时。
2.6 EMA 日常情绪
参与者被要求回答“您现在感到有多快乐/悲伤/压力/愤怒？”并在1到10的滑动刻度上表明答案。在密集纵向研究中，使用此类单项目EMA情绪测量是得到支持的。
2.7 数据分析
计算了样本特征以及EMA、GPS和加速度计变量的均值和标准差。使用卡方检验和线性回归检验了最终样本中纳入与排除的参与者之间，以及纳入样本中T2D与非T2D参与者之间的差异。在R中创建了所有EMA、加速度计和GPS变量的斯皮尔曼相关性热图。
使用Mplus进行DSEM，检验行为与四个情绪变量随时间的关系。拟合了具有随机均值、随机滞后参数和随机创新方差的多级向量自回归模型，该模型估计了个体内和个体间成分。该模型包括自回归和交叉滞后效应。本研究主要关注行为变量与后续情绪结果之间的交叉滞后关系。分析在不含协变量和含有年龄、性别和就业状况作为个体间层面协变量的情况下进行。
睡眠时长由11点序数数据组成；情绪和睡眠质量为10点序数数据；体力活动为7点序数数据。由于超过5个类别的序数变量在模型中被视为连续或分类变量时表现同样良好，这些变量均被建模为连续变量。
我们呈现了平均的个体内标准化参数以及每个关系的个体间均值和方差。使用了贝叶斯估计，因此，我们解释贝叶斯95%可信区间。如果零不在可信区间内，则估计值被解释为具有统计学显著性。
3 结果
样本特征如表1所示。与无T2D的参与者相比，T2D参与者年龄显著更大，更可能处于失业或退休状态、已婚、BMI属于超重或肥胖类别，并且自评健康状况更好。
表2呈现了含有协变量的模型中交叉滞后行为-情绪关联的估计值。图2总结了发现的显著交叉滞后效应。
3.1 动态结构方程模型结果
我们发现了18个显著的标准化个体内效应（5个为T2D患者特有，5个为非T2D者特有，4个为两组共有）和2个显著的个体间均值效应（均为非T2D者特有；见表2和图2）。
T2D患者特有的显著行为对负面情绪的影响包括：睡眠质量对悲伤和压力的影响；EMA得出的体力活动对压力的影响；计步数对愤怒的影响；以及访问重要地点对悲伤的影响。
非T2D者特有的显著效应包括：睡眠时长对快乐、悲伤和愤怒的影响；EMA得出的体力活动对愤怒的影响；以及居家时间对快乐的影响。
在T2D和非T2D参与者中均显著的效应包括：睡眠质量和访问地点数量预测快乐；以及EMA得出的体力活动预测快乐和悲伤。
对于非T2D者，体力活动对快乐和愤怒的个体间均值效应显著。两组均未发现其他显著的个体间均值，但所有个体间方差均显著，表明睡眠和运动对情绪的影响存在个体间差异。
所有感兴趣的参数均未因年龄、性别和就业状况而发生显著变化。
4 讨论
本研究使用被动传感和EMA数据，检验了T2D患者日常运动和睡眠行为对日常情绪的影响。首先，我们预期更高程度的每日运动、以及更好的睡眠质量和时长将预测更积极和更少的负面日常情绪。除T2D患者计步数增加预测更多愤怒外，所有发现的显著效应均符合此预期方向。其次，鉴于健康行为对T2D患者管理病情的重要性，我们预期这些关联在T2D患者中会比非T2D者更强。然而，相反，我们发现了跨群体共有的和独特的模式。
睡眠质量显著影响T2D患者的负面情绪，但不影响非T2D者；睡眠时长显著影响非T2D者的情绪，但不影响T2D患者。目前我们仅知两项研究探讨了糖尿病患者睡眠质量或时长对心理结果的纵向影响，且均针对1型糖尿病。在一般人群中，有证据表明积极情绪与睡眠时长相关。这与研究发现睡眠时长与1型糖尿病患者的负面情绪而非积极情绪相关形成对比。这种差异可能归因于糖尿病相关的生理和自我管理因素，或主观与客观睡眠时长测量的差异。鉴于T2D患者睡眠问题的高发率，在微观层面上睡眠对情绪影响在有无T2D人群之间的差异，可能是未来研究为精准医学提供信息的一个重要方向。
每日体力活动对两组当晚的快乐和悲伤均有显著的改善情绪影响，对T2D患者的压力和非T2D者的愤怒也有影响。我们的结果也表明，对于T2D患者，运动与情绪的关系可能更为复杂。对于T2D患者，自我报告的体力活动并未显著影响愤怒，而客观测量的计步数则具有显著增加愤怒的作用，凸显了客观和主观测量行为之间的潜在差异。这可能表明，虽然活动通常有益于情绪，但在某些群体中，某些情绪反应可能更难以改变或受到活动的负面影响。与更高计步数相关的因素，例如忙碌的一天、更多的社交互动，与糖尿病管理平衡或遭遇糖尿病耻辱等疾病特异性因素结合，可能会增加T2D患者的愤怒。活动类型也可能起作用。测量差异也可能解释这种不一致，因为主观和客观体力活动指标经常存在差异。主观EMA可能捕捉到与情绪更密切相关的感知努力和背景。未来的研究应通过考虑活动类型、体力活动与即时情绪体验的关系，并比较被动与主观测量，继续探索这些日常关系背后的机制。
我们发现GPS或加速度计得出的特征对情绪的影响大多不显著。这与研究表明GPS和加速度计得出的运动特征可以预测一般人群的抑郁症状，以及加速度计得出的体力活动与1型糖尿病患者随后的日常情绪相关形成对比。在数据收集期间，爱尔兰存在不同级别的COVID-19社会限制，参与者在限制期间、分阶段重新开放期间和限制解除后参与。整个研究期间平均居家时间很高，步数远低于报告的平均值。低步数水平在使用Beiwe的研究中已有报告，部分原因可能是为节省手机电量而采用的采样方法，以及人们需要“携带”手机才能捕捉到运动。这些问题，加上我们研究中COVID相关的高居家时间，可能导致步数低估。我们发现的五个手机传感器得出的运动对未来情绪的显著效应表明，即使在低运动水平下，手机传感器捕捉的某些行为模式仍可对情绪产生影响。
发现的效应量很小。然而，纵向自回归模型会消除很大一部分方差，特别是对于随时间表现出稳定性的行为变量，从而大大降低效应量系数的大小。事实上，控制稳定性效应的分析显示预测变量与结果变量之间的效应比不控制稳定性的分析低4-7倍。在我们的研究中，观察到的小效应量可能反映了这一现象，因此在日常生活的动态背景下可能仍然有意义。
4.1 优势与局限
本研究有几个优势。我们收集了为期两个月的连续被动和每日EMA数据，提供了日常情绪-行为互动的丰富概况。DSEM的使用使我们能够充分利用这些纵向数据，检验行为变化如何随时间与情绪变化相关的复杂动态。
本研究也有几个局限。首先，无论有无T2D，步数都极低，表明其并未反映参与者的真实每日步数。这可能是COVID-19限制和Beiwe采样协议共同作用的结果，但也可能表明智能手机在现实环境中准确记录步数的能力有限。未来的分析比较T2D患者中智能手机与可穿戴设备记录的步数可能为此提供明确信息。其次，在使用加速度计和GPS得出的特征的模型中，我们调查了24小时行为摘要与当晚情绪之间的参数。当参与者在晚上7-10点完成晚间EMA时，当天24小时运动数据的79%–92%已经记录。因此，这种时间安排允许我们将该关系视为部分滞后的，研究结果应结合这种时间对齐来解释。第三，有无T2D的参与者在几个社会人口学特征上存在显著差异，这可能反映了有无T2D人群之间的真实人口水平差异。尽管控制了年龄、就业状况和BMI，但残留混杂可能仍然存在。血糖水平的影响尤其值得关注，尽管关于血糖变异性和瞬时情绪的研究结果并不一致。由于使用的EMA问题是一般性的，尚不清楚情绪模式在多大程度上与患有和管理糖尿病的现实相关。未来的研究应使用将糖尿病生活的背景现实引入的EMA问题，以及一般性问题，以梳理糖尿病患者日常情绪体验的细微差别。此外，招募方法可能会引入偏差。参与者在技术使用、健康素养或参与自我监测等方面可能与更广泛的T2D和非T2D人群存在差异，这表明在解释研究结果和进行比较时应谨慎。第四，样本量未预先确定。随着该领域研究的深入，报告效应量将有助于指导未来研究的样本量规划。第五，36%的EMA数据缺失，可能导致某些偏差。一项对126项EMA研究的荟萃分析发现，平均依从率为75.06%。我们之前也调查了本研究中与EMA缺失相关的因素，发现缺失率不因T2D状态、年龄、性别、就业、教育程度、婚姻状况而有显著差异，但因手机类型而异，iPhone用户的EMA缺失应答显著更多，表明跨操作系统的应用功能可能部分影响了应答率。第六，在许多情况下，我们发现当相应的固定效应可信区间包含0时，标准化效应显著。这可能是由于标准化效应的可信区间比其他模型参数更小，并且可信区间的界限非常接近0。最后，检验许多参数增加了I类错误的风险。然而，使用贝叶斯层次分析有助于限制这种风险。贝叶斯分析基于观察数据的后验分布，贝叶斯分析中提供的95%可信区间提供了一个真实参数值以95%概率所在的范围。贝叶斯层次分析中的收缩有助于防止I类错误，因为来自其他个体的数据会“拉回”异常个体的估计。因此，我们预计在本研究使用的方法中会得到更保守、可靠的估计。我们希望这些发现可以作为数字表型研究的一个起点，探讨T2D患者的运动和睡眠行为与情绪之间的关系。
5 结论
我们报告了基于T2D和非T2D参与者为期两个月的主动和被动传感得出的研究结果。更多的运动和更好的睡眠具有情绪促进作用，但T2D患者的计步数增加对愤怒有正向影响除外。我们的研究结果表明，虽然影响日常情绪的一些因素在T2D和非T2D人群中共有，但其他因素在T2D患者中存在或缺失。因此，旨在为未来开发个性化心理健康“早期预警”工具和“适时”干预提供基础的情绪和心理健康的数字表型相关因素和标志物，在T2D患者中可能有所不同。随着EMA、被动传感和数字表型设计在研究和临床环境中的应用日益增长，我们必须考虑这种潜在的亚组差异。未来研究的一个优先事项应是理解被动和主动测量的行为之间的差异。本研究的发现虽然是初步的，但凸显了数字表型研究识别传统研究设计中可能被忽视的重要关系的潜力。
