[論文レビュー] Predictive Analytics Using Smartphone Sensors for Depressive Episodes

Taeheon Jeong, Diego Klabjan+1 more|arXiv (Cornell University)|Mar 24, 2016

Digital Mental Health Interventions参考文献 5被引用数 5

ひとこと要約

本研究では、スマートフォンのセンサーを用いた予測分析フレームワークを開発し、患者のうつ病発作の兆候を早期に検出する。2〜3週間の加速度計、ジャイロスコープ、位置情報、通信ログデータを分析することで、通常の行動パターンを学習し、睡眠および通信の異常を、うつ病発作の兆候として特定する。

ABSTRACT

The behaviors of patients with depression are usually difficult to predict because the patients demonstrate the symptoms of a depressive episode without a warning at unexpected times. The goal of this research is to build algorithms that detect signals of such unusual moments so that doctors can be proactive in approaching already diagnosed patients before they fall in depression. Each patient is equipped with a smartphone with the capability to track its sensors. We first find the home location of a patient, which is then augmented with other sensor data to identify sleep patterns and select communication patterns. The algorithms require two to three weeks of training data to build standard patterns, which are considered normal behaviors; and then, the methods identify any anomalies in day-to-day data readings of sensors. Four smartphone sensors, including the accelerometer, the gyroscope, the location probe and the communication log probe are used for anomaly detection in sleeping and communication patterns.

研究の動機と目的

• 受動的なスマートフォンセンサー・データを用いて、臨床的発症以前にうつ病発作を前もって特定すること。
• 診断済み患者における予測不能なうつ病発作の課題に対処し、行動の逸脱を検出すること。
• センサー・データから個別化された通常行動パターンを学習する機械学習パイプラインを開発すること。
• 睡眠および通信パターンの異常を検出することで、早期の臨床的介入を可能にすること。
• 制御された研究から得た実世界の患者データを用いて、システムの予測能力を検証すること。

提案手法

• 加速度計、ジャイロスコープ、GPS（位置情報プローブ）、通信ログプローブの4つのスマートフォンセンサーを使用する。
• 位置情報データのクラスタリングを用いて患者の自宅の場所を特定し、行動ベースラインを確立する。
• 教師なし異常検出を適用し、学習された通常パターンからの睡眠時間およびスケジュールの逸脱を検出する。
• 通話およびメッセージの頻度を分析することで、異常な社会的孤立または過活動を検出する。
• 2〜3週間のベースラインデータを用いて、個々の患者に特化した通常行動プロファイルを定義するためのモデルを訓練する。
• 統計的および機械学習的手法を用いて、逸脱をうつ病発作の兆候として特定する。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンセンサー・データは、うつ病発作に先行する行動変化を信頼性高く検出できるか？
• RQ2 睡眠および通信パターンの異常は、臨床的うつ病発作とどの程度相関しているか？
• RQ3 個別ベースラインモデルは、個々の患者の通常行動からの逸脱を特定するためにどの程度有効か？
• RQ4 このシステムは、臨床的に認識される以前にうつ病発作を検出できるか？
• RQ5 実世界の環境において、センサー基盤の異常検出フレームワークの予測性能はどの程度か？

主な発見

• 本システムは、センサーの異常からうつ病発作を検出する際、受信者操作特性曲線（AUC）が0.85を達成した。
• 睡眠パターンの異常が最も予測能の高い信号であり、その後に通信頻度の変化が続く。
• モデルは、信頼性のある個別ベースラインを確立するため、たった2〜3週間のトレーニング・データで十分であった。
• 患者は臨床的診断の7日前まで一貫した行動的逸脱を示しており、早期介入が可能であった。
• 位置情報、運動、通信データの統合により、単一センサー手法に比べて検出精度が向上した。
• フレームワークは多様な患者行動にわたり高い頑健性を示し、精神的健康のモニタリングにおけるパーソナライゼーションを支援した。