[論文レビュー] Personalized Student Stress Prediction with Deep Multitask Network

Abhinav Shaw, Natcha Simsiri+3 more|arXiv (Cornell University)|Jun 26, 2019

Mental Health Research Topics参考文献 20被引用数 4

ひとこと要約

本論文では、LSTMとオートエンコーダーを組み合わせた深層マルチタスク学習フレームワークであるCALM-Netを提案する。このフレームワークは、スマートフォンセンサーから得られる異種で多スケールのデータを用いて、個別にカスタマイズされた学生のストレスレベルを予測することを目的としている。時間的パターンをモデル化し、高水準の共変量を組み込みながらも、各学生に特化したアプローチを取ることで、StudentLifeデータセットにおいて、先行研究の最良手法（F1スコア 0.408）を上回る45.6％の向上（F1スコア 0.594）を達成した。

ABSTRACT

With the growing popularity of wearable devices, the ability to utilize physiological data collected from these devices to predict the wearer's mental state such as mood and stress suggests great clinical applications, yet such a task is extremely challenging. In this paper, we present a general platform for personalized predictive modeling of behavioural states like students' level of stress. Through the use of Auto-encoders and Multitask learning we extend the prediction of stress to both sequences of passive sensor data and high-level covariates. Our model outperforms the state-of-the-art in the prediction of stress level from mobile sensor data, obtaining a 45.6 % improvement in F1 score on the StudentLife dataset.

研究の動機と目的

• スマートフォンを介して収集された異種的で多スケールの受動的センサー・データから、個別にカスタマイズされた学生のストレスレベルを予測する課題に対処すること。
• 従来のモデルの限界、すなわち個体間の変動の処理が不十分であること、データの粒度が不規則であること、時間的パターンのモデリングが不十分であることに対処すること。
• 時系列センサー・データと高水準の共変量を統合する一般化可能なプラットフォームを構築することにより、心理的状態の予測を向上させること。
• マルチタスク学習とカスタマイズ化が、ストレス予測性能を向上させるかどうかを評価すること。
• モバイルセンシングを用いたリアルタイムで個別化されたメンタルヘルスモニタリングのための、堅牢でスケーラブルなフレームワークを提供すること。

提案手法

• CALM-Netは、共有エンコーダーとタスク固有のヘッドを持つ深層マルチタスクアーキテクチャを採用しており、LSTMを用いてセンサー時系列データの時間的パターンをモデル化している。
• オートエンコーダー部は、生のセンサー時系列データを圧縮・再構築することで、過学習を低減し、一般化性能を向上させている。
• 時系列データ（例：行動、音声）は1分間隔に区切り、サンプリングレートのばらつきに対応するため、中央値（モード）をとる。
• 曜日、睡眠時間、試験期間、次回の提出期限までの時間といった高水準の共変量を入力特徴量として組み込んでいる。
• 共有表現学習を用いて各学生ごとに個別モデルを訓練することで、個々の行動パターンに適応する。
• マルチタスク学習を複数の学生間で適用し、知識の共有を可能にすることで、データが少ない被験者においても性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 異種的で多スケールのスマートフォンセンサー・データから、個別にカスタマイズされたストレスレベルを効果的にモデル化できるか、深層マルチタスク学習フレームワークは有効か？
• RQ2 時間的パターンと高水準の共変量を組み込むことで、静的特徴量のみを用いたモデルと比較して、ストレス予測性能がどの程度向上するか？
• RQ3 個々の被験者に割り当てられた限られたデータで学習する場合、マルチタスク学習が性能向上にどの程度寄与するか？
• RQ4 個別にカスタマイズされたヘッドを用いたカスタマイズ化は、非カスタマイズ型または共有モデルを大きく上回る性能を発揮するか？
• RQ5 オートエンコーダー部は、ノイズが多く、長期間にわたる不規則なセンサー時系列データからのストレス予測において、過学習を低減し、F1スコアを向上させるか？

主な発見

• CALM-Netは、StudentLifeデータセットにおいて平均F1スコア0.594を達成し、先行研究の最良手法（Location-MLP、F1 = 0.408）を45.6％上回った。
• 標準LSTM（F1 = 0.426）および各学生の最頻値を予測するベースライン（F1 = 0.551）を上回ったことから、カスタマイズ化と時間的パターンモデリングの有効性が示された。
• 23名の被験者で学習した場合、マルチタスク学習により相対的にF1スコアが39.4％向上した。被験者数が増えるほど、その恩恵はさらに大きくなった。
• アブレーションスタディの結果、マルチタスクヘッドを削除すると、大規模なグループでは顕著な性能低下が生じた。これは、共有表現学習の利点を裏付けるものである。
• オートエンコーダー部は、長期間にわたる不規則なセンサー時系列データにおける一般化性能を向上させ、過学習を低減した。
• CALM-Netは、カテゴリカルな時系列データを区間ごとに区切り、ヒストグラムベースのエンコーディングを用いることで、データの異種性と多スケール特徴を効果的に処理できた。