Analyzing the contribution of different passively collected data to predict Stress and Depression

要約

受動的に取得されたデータから人間の行動や環境コンテキストの多様な側面を認識できる可能性があるため、メンタルヘルス評価への使用が促進されます。
この論文では、受動的に収集されたさまざまなセンサー データ タイプ (WiFi、GPS、社会的交流、電話ログ、身体活動、音声、学術的特徴) の寄与を分析し、毎日の自己申告によるストレスと PHQ-9 うつ病スコアを予測します。
まず、元の生データから 125 個の中間レベルの特徴を計算します。
これらの 125 の特徴には、さまざまなセンサー データ タイプからの特徴のグループが含まれます。
次に、すべての機能でトレーニングされたニューラル ネットワーク モデルのパフォーマンスを、特定の機能グループでトレーニングされたニューラル ネットワーク モデルと比較することで、各機能タイプの寄与を評価します。
私たちの結果は、WiFi 機能 (移動パターンをエンコードする) と電話ログ機能 (睡眠パターンと相関する情報をエンコードする) が、ストレスとうつ病の予測に重要な情報を提供することを示しています。

要約(オリジナル)

The possibility of recognizing diverse aspects of human behavior and environmental context from passively captured data motivates its use for mental health assessment. In this paper, we analyze the contribution of different passively collected sensor data types (WiFi, GPS, Social interaction, Phone Log, Physical Activity, Audio, and Academic features) to predict daily selfreport stress and PHQ-9 depression score. First, we compute 125 mid-level features from the original raw data. These 125 features include groups of features from the different sensor data types. Then, we evaluate the contribution of each feature type by comparing the performance of Neural Network models trained with all features against Neural Network models trained with specific feature groups. Our results show that WiFi features (which encode mobility patterns) and Phone Log features (which encode information correlated with sleep patterns), provide significative information for stress and depression prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google