可解释AI（人工智能）框架PEPHA探索性识别老年人行为与认知/情绪的时间关联窗口，仅为摘要级研究
《JMIR AI》一篇摘要介绍可解释人工智能（AI）框架PEPHA（Personalized Phenotyping for Aging，面向老龄化的个性化表型分析），把老年人可穿戴设备采集的体力活动与睡眠数据，同定期认知与情绪量表结果结合，试图识别个体在什么时间段对行为变化更敏感。
数据来自瑞士Providemus alz队列67人，每人最多6个评估波次、最长528天可穿戴数据，考察加工速度与抑郁症状。 约40%个体存在中等或较大时间顺序效应；
对一名示例参与者定位到评估前约60天和30天两个可能的“时间关联窗口”。 研究自称探索性，不能说明干预有效。
摘要显示，PEPHA整合被动高频可穿戴数据（体力活动与睡眠）与周期性、主动、经验证的认知与情感评估（称为wave），将每日活动与久坐模式汇总为基于斜率的时间特征，通过贝叶斯优化支持向量回归参数，并用个体化分析（时间顺序交换检验与变点检测）识别“潜在时间关联窗口”。
数据来自Providemus alz队列（n=67，每人最多6个波次、最长528天可穿戴数据），考察两个结局：加工速度与抑郁症状。 结果：约40%个体在结局上表现出中等或较大的24小时运动行为时间顺序效应； 对一名示例参与者（男性，年龄高于样本均值），定位到其加工速度评估前约60天和30天两个潜在时间关联窗口。
总体上，加工速度最易被移动性活动解释，抑郁症状最易被久坐行为解释。 教育、认知储备、饮食、性别和主观年龄差异5个控制变量无信息量，实际年龄对抑郁症状有预测力。
摘要明确称结论为“探索性”，样本仅67人、单一队列，所谓“时间关联窗口”是统计关联敏感期，不是因果作用期。 方法论上值得关注的是：把被动行为数据与主动心理量表对齐并输出可解释时间窗口，与校园心理平台和情绪记录类产品的“时序洞察”思路同类； 需注意本次仅有摘要，未获取全文。
后续观察信号
- 等待该研究的全文与同行评审状态更新，确认方法细节是否支持在校青少年场景。
- 关注是否有研究团队在青少年或学生样本中复制该时序关联方法。