Advancing research methodologies in digital phenotyping for mental health
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2026-02-13
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Major/Subject
Mcode
Degree programme
Language
en
Pages
87 + app. 115
Series
Aalto University publication series Doctoral Theses, 38/2026
Abstract
Digital phenotyping is an evolving field that fuses the disciplines of data science, behavioral science, and medicine. Digital phenotyping research utilizes data from personal digital devices and online platforms to investigate various behavioral, social, and health-related aspects of an individual's life. By analyzing these data, research aims to find novel insights into behavior, health, and well-being. These insights may lead to new complementary methods and applications for more effective healthcare solutions. As a new field, several factors hinder digital phenotyping from reaching its full potential. This thesis aims to advance the field of digital phenotyping through two perspectives: methodological and practical. From a methodological perspective, the thesis focuses on the barriers due to technical and research methodology-related challenges. In turn, the practical perspective evaluates the potential of using digital phenotyping to monitor and predict depressive symptom severity using data collected from outpatients diagnosed with ongoing depressive episodes. This thesis comprises five research articles, two of which focus on advancing the methodology, and the remaining three focus on practical aspects. The first article introduces Niimpy, an open-source Python toolbox for analyzing behavioral data. The second article outlines a datadriven workflow that facilitates research and improves its generalizability. The third article examines how accurately digital phenotyping, using smartphone-sensed data, can assess depression severity. The fourth article inspects the feasibility of digital phenotyping by analyzing the behavioral differences between the healthy control and patient cohorts. The fifth article explores the inherent variability in depressive symptomology and associated mobile-sensed behaviors. Taken together, these articles provide standardized tools and data analysis pipelines that facilitate behavioral data analysis, thereby lowering the barrier to entry into digital phenotyping research. This thesis proposes concrete, actionable guidelines for improving research replicability and reproducibility through the use of analysis workflows. The work demonstrates that machine learning models, using digital phenotyping data, can predict future depression severity. In addition, the feasibility of using smartphone data is supported by both study groups, healthy controls and patients diagnosed with depression, providing behavioral data with no differences in participation adherence or data quantity. Finally, the thesis demonstrates how behavioral differences, both between and within the participants diagnosed with depression, are connected with their self-reported symptoms. To conclude, this thesis advances digital phenotyping research by introducing tools and workflows to facilitate analysis. Furthermore, by building on previous work in the field, the thesis contributes to the research by presenting research outcomes obtained through the analysis of depressive outpatient behavioral data.Digitaalinen fenotyypitys on kehittyvä poikkitieteellinen tutkimusala, joka yhdistää datatieteen, käyttäytymistieteet ja lääketieteen. Digitaalinen fenotyypitys hyödyntää henkilökohtaisten digitaalisten laitteiden ja verkkopalveluiden tuottamaa dataa tutkiakseen yksilön käyttäytymistä, sosiaalista vuorovaikutusta ja terveyttä. Tämän datan analyysin avulla tuotetaan uutta tietoa käyttäytymisen, terveyden ja hyvinvoinnin tutkimuksen avuksi, sekä kehitetään uusia menetelmiä ja ratkaisuja terveydenhuollon tueksi. Uutena tutkimusalana digitaalista fenotyypitystä rajoittavat useat haasteet. Tämä väitöskirja edistää tutkimusalaa tarkastelemalla sitä kahdesta eri näkökulmasta, menetelmällisestä ja käytännöllisestä. Menetelmällinen näkökulma keskittyy teknisiin ja tutkimusmetodologisiin haasteisiin. Käytännöllinen näkökulma puolestaan tarkastelee digitaalisen fenotyypityksen käyttömahdollisuuksia masennusoireiden seurantaan ja ennustamiseen, hyödyntäen avohoitopotilailta kerättyä dataa. Tämä väitöskirja koostuu viidestä tutkimusartikkelista, joista kaksi keskittyy edistämään tutkimusmenetelmiä ja loput kolme käytännön haasteisiin. Ensimmäinen artikkeli esitelee Niimpy-ohjelmiston, avoimen lähdekoodin Python-työkalun käyttäytymisdatan analysointia varten. Toinen artikkeli kuvaa dataohjautuvan työnkulun, joka helpottaa tutkimusta ja parantaa sen yleistettävyyttä. Kolmas artikkeli tarkastelee millä tarkkuudella digitaalisella fenotyypityksellä ja älypuhelimilla kerätyllä datalla voidaan ennustaa masennusoireiden vakavuusastetta. Neljäs artikkeli arvioi digitaalisen fenotyypityksen käyttökelpoisuutta analysoimalla käyttäytymiseroja terveiden verrokkien ja potilasryhmän välillä. Viides artikkeli puolestaan tarkastelee masennusoireiden ja niihin liittyvien, mobiilidatasta havaittujen käyttäytymispiirteiden luontaista vaihtelua. Väitöskirjan artikkelit esittelevät standardoidun ohjelmiston ja työnkulun, jotka helpottavat käyttäytymisdatan analysointia ja madaltavat siten kynnystä digitaalisen fenotyypityksen tutkimukseen. Tämä väitöskirja tarjoaa konkreettisen ja käytännönläheisen ohjeistuksen tutkimuksen toistettavuuden ja uusinnettavuuden parantamiseksi työnkulkujen avulla. Artikkeleiden tulokset osoittavat, että digitaalisen fenotyypittämisen avulla kerättyyn dataan pohjautuvat koneoppimismallit voivat ennustaa tulevien masennusoireiden vakavuutta. Menetelmän käyttökelpoisuutta tukee lisäksi se, että älypuhelimista kerätyn käyttäytymisdatan määrässä tai laadussa ei havaittu eroja terveiden verrokkien ja masennusdiagnoosin saaneiden potilaiden välillä. Väitöskirja osoittaa myös, että potilaiden väliset erot ja yksilöiden sisäinen vaihtelut käyttäytymisessä kytkeytyvät heidän raportoiman masennuksen vakavuuteen. Yhteenvetona tämä väitöskirja edistää digitaalisen fenotyypityksen tutkimusta esittelemällä uusia menetelmiä ja työnkulkuja analyysin tueksi, sekä tukee aikaisempaa tutkimusta raportoimalla tutkimustuloksia, jotka on saatu analysoimalla avohoitopotilaiden käyttäytymisdataa.Description
Supervising professor
Saramäki, Jari, Prof., Aalto University, Department of Computer Science, FinlandThesis advisor
Aledavood, Talayeh, Dr., Aalto University, Department of Computer Science, FinlandKeywords
digital phenotyping, smartphone sensing, behavioral data analysis, depression severity, behavioral variability, mental health monitoring, machine learning, mobile health (mHealth), research reproducibility, digitaalinen fenotyypitys, älypuhelinpohjainen mittaaminen, käyttäytymisdatan analyysi, masennuksen vakavuusaste, käyttäytymisen vaihtelu, mielenterveyden seuranta, koneoppiminen, mobiiliterveys (mHealth), tutkimuksen toistettavuus
Other note
Parts
-
[Publication 1]: Ikäheimonen, A., Triana, A. M., Luong, N., Ziaei, A., Rantaharju, J., Darst, R., Aledavood, T.. Niimpy: A toolbox for behavioral data analysis. SoftwareX, Volume 23, 101472, July 2023.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202308234992DOI: 10.1016/j.softx.2023.101472 View at publisher
-
[Publication 2]: Ikäheimonen, A., Li, J., Yao, K., Zuo, S., Aledavood, T., Hölttä-Otto, K.. Replicability and reproducibility of data-intensive design research using workflows-example in facial expression synchrony as a measure of empathy. Journal of Engineering Design, 1-21., September 2024.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202501151231DOI: 10.1080/09544828.2024.2396194 View at publisher
-
[Publication 3]: Ikäheimonen, A., Luong, N., Baryshnikov, I., Darst, R., Heikkilä, R., Holmen, J., Martikkala, A., Riihimäki, K., Saleva, O., Isometsä, E., Aledavood, T.. Predicting and Monitoring Symptoms in Patients Diagnosed With Depression Using Smartphone Data: Observational Study. Journal of Medical Internet Research, Volume 26, e56874, December 2024.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202412177895DOI: 10.2196/56874 View at publisher
-
[Publication 4]: Aledavood, T., Luong, N., Baryshnikov, I., Darst, R., Heikkilä, R., Holmén, J., Ikäheimonen, A., Martikkala, A., Riihimäki, K., Triana, A. M., Isometsä, E.. Multimodal Digital Phenotyping Study in PatientsWith Major Depressive Episodes and Healthy Controls (Mobile Monitoring of Mood): Observational Longitudinal Study. JMIR Mental Health, Volume 12, e63622, February 2025.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202504023079DOI: 10.2196/63622 View at publisher
-
[Publication 5]: Ikäheimonen, A., Luong, N., Baryshnikov, I., John, T., Martikkala, A., Isometsä, E., Aledavood, T.. Variability in self-reported depression symptomology and associated behavioral markers in digital phenotyping. Submitted to Scientific Reports, August 2025. https://urn.fi/URN:NBN:fi:aalto-202504023079.
DOI: 10.2196/63622 View at publisher