[논문 리뷰] 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 Ziyadidegan외 6명|arXiv (Cornell University)|2023. 08. 08.

Mental Health Research Topics인용 수 4

한 줄 요약

이 스코핑 리뷰는 스트레스 및 스트레스 관련 정신질환의 탐지, 예측 및 모니터링을 위한 기계학습(ML) 및 딥러닝(DL)에 관한 98편의 동료심사 논문을 분석한다. SVM, 신경망, 랜덤 포레스트가 뛰어난 성능을 보였으며, 심박수와 피부 반응과 같은 생리적 신호가 핵심 예측 변수로 나타났고, 차원 축소가 모델 성능 햖을 수 있는 필수 전처리 단계로 강조되었다.

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

연구 동기 및 목표

• 기계학습 및 딥러닝 기술의 스트레스 및 스트레스 관련 정신질환 탐지, 예측 및 모니터링 응용 분야의 현재 상태를 맵핑하기 위해.
• 이 분야에서 가장 효과적인 ML 알고리즘, 데이터 유형 및 전처리 기법을 특정하기 위해.
• 데이터 수집 방식 및 모델 성능 평가 지표를 포함한 방법론적 추세를 평가하기 위해.
• 모델의 해석 가능성, 개인 맞춤화, 실시간 처리 및 자연스러운 환경에서의 데이터 수집과 관련된 연구 격차를 부각하기 위해.
• ML을 정신건강 응용 분야에 구현할 때의 주요 과제와 기회를 정리하여 향후 연구를 이끌기 위해.

제안 방법

• PRISMA-ScR 지침을 기반으로 체계적인 스코핑 리뷰를 수행하여, 스트레스 및 정신질환에 대한 기계학습/딥러닝 관련 동료심사 논문을 식별하고 분석하였다.
• 포괄적인 문헌 검색을 통해 사전 정의된 포함 및 배제 기준을 기반으로 98편의 관련 논문을 선별하였다.
• ML 알고리즘 유형(예: SVM, 랜덤 포레스트, 신경망), 데이터 모odal(예: 생리적, 자가 보고, 행동적) 및 전처리 기법으로 논문을 분류하였다.
• 모델 학습 이전에 적용된 전처리 방법(예: 특징 선택, 필터링, 노이즈 제거, 차원 축소(예: PCA, LDA))을 평가하였다.
• 다양한 연구 간의 모델 성능, 데이터 원천 및 방법론적 접근 방식을 종합하였다.
• 모델 아키텍처, 데이터 수집 환경(예: 실험실 대비 실생활 환경), 평가 지표에서 반복적인 패턴을 식별하였다.

실험 결과

연구 질문

• RQ1 스트레스 및 스트레스 관련 정신질환의 탐지 및 예측에서 가장 높은 정확도와 강건성을 보이는 기계학습 및 딥러닝 모델은 무엇인가?
• RQ2 특히 생리적, 자가 보고, 행동적 데이터 중 어떤 유형이 이 모델들의 입력으로 가장 흔히 사용되는가?
• RQ3 가장 자주 적용되는 전처리 기법은 무엇이며, 이러한 기법은 모델 성능에 어떻게 기여하는가?
• RQ4 현재 연구들은 모델의 해석 가능성, 개인 맞춤화 및 실시간 모니터링과 같은 과제를 어떻게 다루고 있는가?
• RQ5 스트레스 및 정신건강 모니터링에 ML을 적용할 때의 주요 연구 격차와 향후 방향성은 무엇인가?

주요 결과

• 서포트 벡터 머신(SVM), 신경망(NN), 랜덤 포레스트(RF) 모델은 여러 연구에서 뛰어난 정확도와 강건성을 지속적으로 보였다.
• 심박수 변동성과 피부 도전도 반응과 같은 생리적 신호는 자율신경계 활동과 직접적인 연관이 있어 가장 흔하고 정보가 풍부한 예측 변수로 나타났다.
• 차원 축소 기법(특징 선택, 필터링, 노이즈 제거 포함)은 모델 학습 이전에 일관되게 적용되어 성능 향상과 과적합 방지를 위해 기여하였다.
• 통제된 환경에서의 높은 성능에도 불구하고, 실시간 처리 또는 자연스러운 액티브 환경에서의 모델 구현을 위한 연구는 소수에 그쳤다.
• 모델의 해석 가능성과 개인 맞춤화는 여전히 미흡하며, 개별 사용자 특화 데이터나 설명 가능한 AI 기법의 통합이 제한적으로 이루어지고 있다.
• 연구의 상당 부분이 소규모 실험실 기반 데이터셋에 의존하고 있어, 향후 연구에서는 더 크고 다양한, 생태학적으로 타당한 데이터 수집이 필요하다는 점이 부각되었다.