FedTherapist: Mental Health Monitoring with User-Generated Linguistic Expressions on Smartphones via Federated Learning

要約

精神科医は患者の言語使用を通じて精神障害を診断します。
それでも、データプライバシーのため、既存の受動的なメンタルヘルスモニタリングシステムは、アクティビティ、アプリの使用状況、モバイルデバイスを介した位置情報などの代替機能を使用しています。
私たちは、フェデレーテッド ラーニングを介してプライバシーを保護しながら連続音声とキーボード入力を利用するモバイル メンタルヘルス モニタリング システムである FedTherapist を提案します。
スマートフォンでのオンデバイス言語モデル トレーニングの複雑な性質を克服するために、FedTherapist のパフォーマンスとオーバーヘッドを比較することで、複数のモデル設計を検討します。
さらに、スマートフォンの大きくてノイズの多いテキストをメンタルヘルス信号のセンシングに効果的に利用するための、Context-Aware Language Learning (CALL) 方法論を提案します。
46 人の参加者による自己申告によるうつ病、ストレス、不安、気分の予測に関する IRB 承認の評価では、非言語機能によるパフォーマンスと比較して FedTherapist の精度が高く、0.15 AUROC 改善と 8.21% MAE 削減を達成したことが示されました。

要約(オリジナル)

Psychiatrists diagnose mental disorders via the linguistic use of patients. Still, due to data privacy, existing passive mental health monitoring systems use alternative features such as activity, app usage, and location via mobile devices. We propose FedTherapist, a mobile mental health monitoring system that utilizes continuous speech and keyboard input in a privacy-preserving way via federated learning. We explore multiple model designs by comparing their performance and overhead for FedTherapist to overcome the complex nature of on-device language model training on smartphones. We further propose a Context-Aware Language Learning (CALL) methodology to effectively utilize smartphones’ large and noisy text for mental health signal sensing. Our IRB-approved evaluation of the prediction of self-reported depression, stress, anxiety, and mood from 46 participants shows higher accuracy of FedTherapist compared with the performance with non-language features, achieving 0.15 AUROC improvement and 8.21% MAE reduction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google