[論文レビュー] Towards Deep Learning Models for Psychological State Prediction using Smartphone Data: Challenges and Opportunities

Gatis Mikelsons, Matthew D. Smith+2 more|arXiv (Cornell University)|Nov 16, 2017

Mental Health Research Topics参考文献 18被引用数 16

ひとこと要約

本論文では、スマートフォンのGPSデータを用いた深層学習モデルを提案し、心理的ストレスレベルを予測する。手作業で作成された時空間的指標と時間的特徴を活用する。StudentLifeデータセット上で評価されたモデルは、ミニバッチ正則化とドロップアウトを用いたニューラルネットワークにより分類性能が向上し、ラベルノイズや集団の多様性の課題があるものの、デジタルメンタルヘルス監視における深層学習の可能性を示している。

ABSTRACT

There is an increasing interest in exploiting mobile sensing technologies and machine learning techniques for mental health monitoring and intervention. Researchers have effectively used contextual information, such as mobility, communication and mobile phone usage patterns for quantifying individuals' mood and wellbeing. In this paper, we investigate the effectiveness of neural network models for predicting users' level of stress by using the location information collected by smartphones. We characterize the mobility patterns of individuals using the GPS metrics presented in the literature and employ these metrics as input to the network. We evaluate our approach on the open-source StudentLife dataset. Moreover, we discuss the challenges and trade-offs involved in building machine learning models for digital mental health and highlight potential future work in this direction.

研究の動機と目的

• 受動的なスマートフォンセンサデータを用いて心理的ストレスレベルを予測する深層学習モデルの開発を目的とする。
• GPSから得られる移動パターンをモデル化するためのニューラルネットワークの有効性を評価することを目的とする。
• 自己報告によるラベルのノイズやメンタルヘルスモデリングにおける集団の多様性といった課題に対処することを目的とする。
• StudentLifeデータセットを用いた交差検証を通じて、特徴量の重要度とモデルの頑健性を検討することを目的とする。
• デジタルメンタルヘルスアプリケーションにおける主な設計上のトレードオフと今後の研究方向性を同定することを目的とする。

提案手法

• モデルは、tanh活性化関数、ミニバッチ正則化、ドロップアウト正則化（レート：0.35、0.25、0.15）を備えた4層の全結合ニューラルネットワークを用い、特徴量の学習を実施する。
• 入力特徴量には、8つのGPSに基づく時空間的指標（例：総移動距離、空間的カバー範囲、エントロピー）と、4つのワンホットエンコーディングされた時間的特徴（土日、学期開始・中間・終了）が含まれる。
• 個々のユーザーごとに特徴量を標準化することで、個人差を低減し、モデルの一般化性能を向上させる。
• ストレスラベルは、日次平均の自己報告に基づき、3つのクラスに再スケーリングされる：中央値未満、中央値、中央値超過。
• 最終層にはソフトマックス活性化関数を用い、3つのストレスレベルへの多クラス分類を実施する。
• 特徴量の重要度と一般化性能を評価するため、交差検証を用いてモデル性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 スマートフォンのGPSデータのみを用いて、深層学習モデルが心理的ストレスレベルを効果的に予測できるか？
• RQ2 手作業で作成されたGPSの時空間的指標と時間的文脈特徴量の間で、予測力に差は生じるか？
• RQ3 ラベルノイズと個人差が、メンタルヘルス予測におけるモデル性能に与える影響は何か？
• RQ4 ミニバッチ正則化やドロップアウトといった正則化技術が、この文脈におけるモデルの一般化性能に与える影響は何か？
• RQ5 実世界のデジタルメンタルヘルスアプリケーションにおいて、堅牢でスケーラブルなモデルを構築するにあたり、主な課題は何か？

主な発見

• ミニバッチ正則化とドロップアウトを組み合わせた深層学習モデルは、ベースライン手法と比較してストレスレベル分類性能が向上し、複雑な心理的状態をモデル化するにあたりニューラルネットワークの価値を示している。
• 時間的ワンホット特徴量（例：学期開始、中間）の導入が、モデル性能に有意義な寄与を示しており、文脈的な時間のマーカーが予測精度を向上させることを示している。
• 総移動距離や凸包を用いた空間的カバー範囲といった時空間的GPS指標が、ストレス分類において最も有益な予測変数の一部であった。
• 個々のユーザーでの特徴量の標準化が、一般化性能を顕著に向上させ、ユーザー間のばらつきの影響を低減したことが明らかになった。
• 自己報告による気分や想起バイアスに起因するラベルノイズは依然として主要な課題であり、ストレス尺度に対するユーザーの解釈の不一致が分類性能を制限している。
• 本研究では、集団の多様性が、一つの汎用モデルを構築する上で主要な障壁であると特定した。今後の方向性として、個別カスタマイズやクラスタリングの導入が不可欠であると示唆された。