[논문 리뷰] Detecting Individuals with Depressive Disorder fromPersonal Google Search and YouTube History Logs

Boyu Zhang, Anis Zaman외 4명|arXiv (Cornell University)|2020. 10. 28.

Mental Health via Writing참고 문헌 20인용 수 4

한 줄 요약

이 연구는 종단적 구글 검색 및 유튜브 기록 로그를 사용하여 개인화된 우울증 탐지 프레임워크를 제안한다. 사용자 행동을 다차원 상호자극 포인트 프로세스(Hawkes 프로세스)와 분포형 어휘 표현을 활용하여 모델링하며, 의미적 및 시간적 동적 변화를 포착한다. 최고의 모델은 212명의 참가자 중 중등도 이상 우울 증상이 있는 사람들을 분류하는 데 F1 스코어 0.77±0.04와 AUC ROC 0.81±0.02를 달성하였다.

ABSTRACT

Depressive disorder is one of the most prevalent mental illnesses among the global population. However, traditional screening methods require exacting in-person interviews and may fail to provide immediate interventions. In this work, we leverage ubiquitous personal longitudinal Google Search and YouTube engagement logs to detect individuals with depressive disorder. We collected Google Search and YouTube history data and clinical depression evaluation results from $212$ participants ($99$ of them suffered from moderate to severe depressions). We then propose a personalized framework for classifying individuals with and without depression symptoms based on mutual-exciting point process that captures both the temporal and semantic aspects of online activities. Our best model achieved an average F1 score of $0.77 \pm 0.04$ and an AUC ROC of $0.81 \pm 0.02$.

연구 동기 및 목표

• 비공개 온라인 행동 데이터를 활용한 비침습적이고 개인화된 우울증 장애 탐지 방법 개발.
• 자기 검열과 개인 수준의 추적 부족으로 인해 문제가 되는 공개 소셜 미디어 데이터의 한계를 극복.
• 종단적 검색 및 유튜브 참여 로그를 활용하여 우울증과 관련된 시간적 및 의미적 패턴을 모델링.
• 규칙 기반 시간적 특징의 한계를 극복하기 위해 온라인 활동 간 상호작용을 포괄하는 확률적이고 의미 인식 기반 모델을 도입.
• 조기 탐지 및 임상 의사결정 지원을 지원하는 확장 가능하고 개인정보 보호에 부합하는 시스템 제공.

제안 방법

• 212명의 참가자로부터 개인용 구글 검색 및 유튜브 기록 로그와 PHQ-9 우울증 설문지 응답을 수집하였으며, 이 중 99명은 중등도 이상 우울 증상을 보였다.
• 분포형 어휘 표현을 사용하여 검색 쿼리와 동영상 제목의 의미 표현을 추출하여 온라인 활동의 의미 모델링을 가능하게 하였다.
• 다차원 Hawkes 프로세스를 적용하여 온라인 행동 내 다양한 암묵적 주제 간 상호자극 동적 특성을 모델링하였으며, 시간적 및 의미적 상호의존성을 포착하였다.
• 임상 평가 이전의 최적의 행동 패턴을 식별하기 위해 시간 창(2주에서 12개월)으로 잘라서 Hawkes 프로세스를 훈련시켰다.
• 기본 강도 벡터(μ)와 주제 가중치 비율(φ)이라는 두 가지 핵심 특징을 추출하였으며, 이는 주제 상호작용 그래프 내 유입 대비 유출 영향의 균형을 측정한다.
• 선형 SVM에 L2 정규화를 적용하여 μ 및 φ 특징을 별도로 훈련한 후, 5개의 교차 검증을 통해 초모수를 최적화하여 우울증 상태를 분류하였다.

실험 결과

연구 질문

• RQ1 종단적 개인 검색 및 유튜브 기록 로그는 개인의 우울증 장애 증상을 신뢰성 있게 예측할 수 있는가?
• RQ2 중등도 이상 우울 증상이 있는 사람과 없는 사람 간 온라인 행동의 의미적 및 시간적 패턴은 어떻게 다를까?
• RQ3 다차원 Hawkes 프로세스는 서로 다른 온라인 활동 주제 간 상호자극을 얼마나 잘 모델링하여 분류 성능을 향상시킬 수 있는가?
• RQ4 분포형 어휘 모델에서 유도된 의미 표현을 통합하면 기존의 키워드 또는 규칙 기반 특징 대비 탐지 성능이 향상되는가?
• RQ5 우울증 탐지의 예측 성능을 최대화하기 위해 최적의 시간 창(D)은 얼마인가?

주요 결과

• 주제 가중치 비율 특징(φ)을 사용한 모델이 평균 가중 F1 스코어 0.77±0.04를 기록하여 기준 강도 특징(μ)을 초월하는 성능을 보였다.
• φ 기반 모델은 AUC ROC 0.81±0.02를 기록하여 중등도 이상 우울 증상을 가진 개인을 구분하는 데 강력한 분류 성능을 입증하였다.
• 모든 설정에서 최적의 초모수는 σ=0.01, C=1, K=10, D=6개월이었으며, 이는 분류 성능을 최대화하는 데 기여하였다.
• 주제 상호작용 네트워크 내 유입 대비 유출 영향의 균형을 측정하는 φ 특징은 원시 강도 패tern보다 더 유용한 정보를 제공하였다.
• 연구는 Hawkes 프로세스를 통한 의미 인식 기반 확률적 모델링이 규칙 기반 또는 비의미 기반 접근보다 우울증 탐지 성능을 크게 향상시킨다는 것을 입증하였다.
• 강력한 성능에도 불구하고, 모델의 일반화 능력은 대학 생활을 하는 학생들에게 국한되어 있으며, 종단적 데이터 사용에 대한 윤리적 및 개인정보 보호 문제는 실제 적용에 있어 여전히 주요 장벽으로 남아 있다.