[論文レビュー] dpMood: Exploiting Local and Periodic Typing Dynamics for Personalized Mood Prediction

He Huang, Bokai Cao+3 more|arXiv (Cornell University)|Aug 29, 2018

Mental Health Research Topics参考文献 28被引用数 3

ひとこと要約

本稿では、スマートフォンのメタデータから得られる局所的タイピング動態と概日リズムを活用して、双極性障害のためのパーソナライズされた気分予測を可能にする深層学習モデル、dpMoodを提案する。CNNとRNNの早期融合を用いた加速度計とキーストロークデータの統合と、時間的モデリングを用いた個別にキャリブレーションされた予測により、dpMoodは、先行手法よりも低い回帰誤差を達成し、HDRSおよびYMRSスコアの予測において最先端の性能を発揮する。

ABSTRACT

Mood disorders are common and associated with significant morbidity and mortality. Early diagnosis has the potential to greatly alleviate the burden of mental illness and the ever increasing costs to families and society. Mobile devices provide us a promising opportunity to detect the users' mood in an unobtrusive manner. In this study, we use a custom keyboard which collects keystrokes' meta-data and accelerometer values. Based on the collected time series data in multiple modalities, we propose a deep personalized mood prediction approach, called {\pro}, by integrating convolutional and recurrent deep architectures as well as exploring each individual's circadian rhythm. Experimental results not only demonstrate the feasibility and effectiveness of using smart-phone meta-data to predict the presence and severity of mood disturbances in bipolar subjects, but also show the potential of personalized medical treatment for mood disorders.

研究の動機と目的

• 双極性障害を有する個人のための、不顕在なスマートフォンセンサーデータを用いたパーソナライズされた気分予測システムの開発。
• 気分状態におけるタイピング動態と概日リズムの局所的パターンを捉える課題への対処。
• キーストロークと加速度計のマルチモーダルなスマートフォンデータを深層学習で統合することで、予測精度の向上。
• 気分予測におけるマルチビュー時系列データのための、早期融合対比後期融合戦略の検討。
• 時間的パターンを用いた個別キャリブレーションにより、個別化された概日リズムを反映した予測のキャリブレーション。

提案手法

• モデルは、キーストロークのシーケンスにおける局所的パターンを捉えるための畳み込みニューラルネットワーク（CNNs）と、長期的な時間的ダイナミクスをモデル化するための再帰ニューラルネットワーク（RNNs）を組み合わせた後期融合アーキテクチャを採用する。
• キーストロークと加速度計の特徴の早期融合が検討され、気分予測性能において後期融合を上回ることが示された。
• 個々のユーザーごとに時間ベースのキャリブレーション機構が適用され、個別化された概日リズムをモデル化することで、パーソナライゼーションと予測精度が向上した。
• モデルは2ストリームエンコーダーを採用：1つはキーストロークメタデータ（例：キー入力時間、インターバル）の処理、もう1つは加速度計データの処理、その後に特徴量の連結が行われる。
• 最終的な予測ヘッドは、ハミルトン気分障害尺度（HDRS）およびヤング躁乱性尺度（YMRS）スコアの回帰を実行する。
• モデルは、抑うつと躁の重症度を同時に予測するためのマルチタスク学習を用いて、エンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンのタイピング動態における局所的パターンは、双極性障害を有する個人の気分状態を予測できるか？
• RQ2 個々の人の概日リズムを組み込むことで、パーソナライズされた気分予測の精度はどのように向上するか？
• RQ3 キーストロークと加速度計のマルチモーダルなスマートフォンデータの早期融合は、後期融合を上回る気分予測性能を発揮するか？
• RQ4 CNNとRNNを組み合わせた深層学習モデルは、気分予測のためのタイピング動態における局所的およびグローバルな時間的パターンをどの程度正確に捉えることができるか？
• RQ5 ユーザーごとの時間ベースのキャリブレーションは、気分の重症度推定の精度を向上させることができるか？

主な発見

• dpMoodは、ベースラインモデルと比較して、HDRSおよびYMRSの両方の予測タスクで最小の回帰誤差を達成し、気分の重症度推定において優れた性能を示した。
• キーストロークと加速度計の特徴の早期融合は、後期融合よりも顕著に予測精度を向上させた。これは、統合された特徴学習がより効果的であることを示している。
• 被験者全員が独自の概日リズムを示しており、気分動態における明確な正弦波パターンが確認され、生物学的タイミングにおける個別差が裏付けられた。
• 概日モデルにおけるオフセット項 δu は診断ごとにクラスタリングされた：対照群は正のオフセットを示し、双極性障害I型およびII型の被験者は負のオフセットを示した。これは臨床的期待と整合的であった。
• モデルは、テキストコンテンツにアクセスすることなく、キーストローク動態における個別特徴を的確に捉えることに成功し、正確でパーソナライズされた気分予測を可能にした。
• dpMoodのオープンソースコードは公開されており、デジタルフェノタイピング分野における再現性とさらなる研究を支援する。