[論文レビュー] Machine Learning, Deep Learning and Data Preprocessing Techniques for Detection, Prediction, and Monitoring of Stress and Stress-related Mental Disorders: A Scoping Review

Moein Razavi, Samira Ziyadidegan+6 more|arXiv (Cornell University)|Aug 8, 2023

Mental Health Research Topics被引用数 4

ひとこと要約

このスコープレビューは、ストレスおよびストレス関連の精神的障害の検出・予測・モニタリングに用いられる機械学習（ML）およびディープラーニング（DL）に関する98件の査読付き論文を分析している。SVM、ニューラルネットワーク、ランダムフォレストが優れた性能を示し、心拍数や皮膚反応といった生理的信号が主要な予測因子であることが判明した。また、次元削減はモデル性能を向上させるために不可欠な前処理ステップであることが強調された。

ABSTRACT

Background: Mental stress and its consequent mental disorders (MDs) are significant public health issues. With the advent of machine learning (ML), there's potential to harness computational techniques for better understanding and addressing these problems. This review seeks to elucidate the current ML methodologies employed in this domain to enhance the detection, prediction, and analysis of mental stress and MDs. Objective: This review aims to investigate the scope of ML methodologies used in the detection, prediction, and analysis of mental stress and MDs. Methods: Utilizing a rigorous scoping review process with PRISMA-ScR guidelines, this investigation delves into the latest ML algorithms, preprocessing techniques, and data types used in the context of stress and stress-related MDs. Results and Discussion: A total of 98 peer-reviewed publications were examined. The findings highlight that Support Vector Machine (SVM), Neural Network (NN), and Random Forest (RF) models consistently exhibit superior accuracy and robustness among ML algorithms. Physiological parameters such as heart rate measurements and skin response are prevalently used as stress predictors due to their rich explanatory information and ease of data acquisition. Dimensionality reduction techniques, including mappings, feature selection, filtering, and noise reduction, are frequently observed as crucial steps preceding the training of ML algorithms. Conclusion: This review identifies significant research gaps and outlines future directions for the field. These include model interpretability, model personalization, the incorporation of naturalistic settings, and real-time processing capabilities for the detection and prediction of stress and stress-related MDs. Keywords: Machine Learning; Deep Learning; Data Preprocessing; Stress Detection; Stress Prediction; Stress Monitoring; Mental Disorders

研究の動機と目的

• 機械学習（ML）およびディープラーニング（DL）の応用が、ストレスおよびストレス関連の精神的障害の検出・予測・モニタリングにおいて現在どのように展開されているかを把握すること。
• この分野で使用されている、最も効果的なMLアルゴリズム、データタイプ、および前処理技術を特定すること。
• データ収集モダリティやモデル性能指標を含む、研究手法のトレンドを評価すること。
• モデルの解釈可能性、パーソナライゼーション、リアルタイム処理、および自然主義的データ収集における研究ギャップを浮き彫りにすること。
• MLを精神健康分野に応用するうえでの主な課題と機会を明らかにすることで、今後の研究を支援すること。

提案手法

• PRISMA-ScR指針に従い、ML/DLを用いたストレスおよび精神的障害に関する査読付き論文を特定・分析する体系的スコープレビューを実施した。
• 包括的な文献検索から、事前に定めた包含・除外基準に基づき98件の関連研究を選定した。
• MLアルゴリズムの種別（例：SVM、ランダムフォレスト、ニューラルネットワーク）、データモダリティ（例：生理的、自己報告、行動的）および前処理技術ごとに研究を分類した。
• モデル学習の前処理として、特徴選択、フィルタリング、ノイズ低減、次元削減（例：PCA、LDA）などの前処理手法を評価した。
• 研究間で共通するモデル性能、データソース、および手法的アプローチを統合的に分析した。
• モデルアーキテクチャ、データ収集環境（例：ラボ環境対実世界環境）、評価指標における繰り返しパターンを同定した。

実験結果

リサーチクエスチョン

• RQ1 ストレスおよびストレス関連の精神的障害の検出・予測において、どの機械学習およびディープラーニングモデルが最も高い正確性と頑健性を示しているか？
• RQ2 特に生理的、自己報告、行動的データのうち、これらのモデルの入力として最も一般的に使用されているのはどのタイプのデータか？
• RQ3 どの前処理技術が最も頻繁に適用されており、それがモデル性能にどのように寄与しているか？
• RQ4 現在の研究は、モデルの解釈可能性、パーソナライゼーション、リアルタイムモニタリングといった課題をどのように対処しているか？
• RQ5 ストレスおよび精神健康モニタリングへのMLの応用において、主な研究ギャップと今後の方向性は何か？

主な発見

• サポートベクターマシン（SVM）、ニューラルネットワーク（NN）、ランダムフォレスト（RF）は、多数の研究において一貫して優れた正確性と頑健性を示した。
• 心拍変動や皮膚電気反応といった生理的信号が、交感神経系の活動と直接関連していることから、最も一般的で情報量の多い予測因子であった。
• 次元削減技術（特徴選択、フィルタリング、ノイズ低減を含む）は、モデル学習の前処理として一貫して適用されており、性能向上と過学習の低減に寄与した。
• 制御された環境下では高い性能を示したものの、リアルタイム処理の実装や自然主義的で移動可能な環境へのモデル導入は、少数の研究にとどまった。
• モデルの解釈可能性とパーソナライゼーションは依然として未発達であり、個別に特化したデータや説明可能なAI技術の統合は限定的である。
• 多くの研究が小規模でラボベースのデータセットに依存していることから、今後の研究では、より大規模で多様性に富み、生態的妥当性のあるデータ収集が求められる。