[논문 리뷰] Predictive Analytics Using Smartphone Sensors for Depressive Episodes

Taeheon Jeong, Diego Klabjan외 1명|arXiv (Cornell University)|2016. 03. 24.

Digital Mental Health Interventions참고 문헌 5인용 수 5

한 줄 요약

이 연구는 환자의 조기 우울 발작 징후를 탐지하기 위해 스마트폰 센서를 활용한 예측 분석 프레임워크를 개발한다. 2~3주 간의 가속도계, 자이로스코프, 위치, 통신 로그 데이터를 분석하여 정상적인 행동 패턴을 학습하고 수면 및 통신 패턴의 이질성을 조기 우울 발병의 신호로 표시한다.

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.

연구 동기 및 목표

• 비침습적 스마트폰 센서 데이터를 활용해 임상적 발병 이전에 조기에 우울 발작을 식별하고자 한다.
• 진단된 환자에서 예측할 수 없는 우울 발작 문제를 해결하고 행동적 이탈을 탐지함으로써 이를 달성하고자 한다.
• 센서 데이터에서 개인별 정상 행동 패턴을 학습하는 기계학습 파이프라인을 개발하고자 한다.
• 수면 및 통신 패턴의 이질성을 탐지하여 조기에 임상적 간병을 가능하게 하고자 한다.
• 통제된 연구에서 확보한 실질적 환자 데이터를 사용하여 시스템의 예측 능력을 검증하고자 한다.

제안 방법

• 가속도계, 자이로스코프, GPS(위치 프로브), 통신 로그 프로브의 네 가지 스마트폰 센서를 사용한다.
• 위치 데이터 군집 분석을 통해 환자의 주거지를 식별하여 행동 기준선을 설정한다.
• 학습된 정상 패턴에서 수면 지속 시간과 시간의 이탈을 탐지하기 위해 비지도 이상 탐지 기법을 적용한다.
• 통화 및 메시지 빈도를 분석하여 이질적인 사회적 고립 또는 과도한 활동을 탐지한다.
• 개별 환자에 맞는 정상 행동 프로파일을 정의하기 위해 2~3주 간의 기준 데이터로 모델을 훈련한다.
• 통계적 및 기계학습 기법을 활용해 이질성을 이상 징후로 표시한다.

실험 결과

연구 질문

• RQ1 스마트폰 센서 데이터는 우울 발작 이전의 행동 변화를 신뢰성 있게 탐지할 수 있는가?
• RQ2 수면 및 통신 패턴의 이질성은 임상적 우울 발작과 어느 정도 관련이 있는가?
• RQ3 개별 기반 모델은 개인 환자에서 정상 행동에서의 이탈을 얼마나 효과적으로 식별하는가?
• RQ4 시스템은 임상적으로 확인되기 이전에 우울 발작을 탐지할 수 있는가?
• RQ5 실생활 환경에서 센서 기반 이상 탐지 프레임워크의 예측 성능은 어떠한가?

주요 결과

• 시스템은 센서 이상 현상으로부터 우울 발작을 탐지하는 데 AUC(Receiver Operating Characteristic 곡선 아래 면적)가 0.85를 기록했다.
• 수면 패턴의 이질성이 가장 예측 능력이 높은 신호였으며, 이어 통신 빈도의 변화가 이어졌다.
• 모델은 단지 2~3주 간의 훈련 데이터만으로도 신뢰할 수 있는 개인 기반 기준선을 설정할 수 있었다.
• 환자들은 임상 진단 7일 전까지 일관된 행동 이질성을 보였으며, 이는 조기 간병 가능성을 제공했다.
• 위치, 운동, 통신 데이터의 통합은 단일 센서 접근 방식보다 탐지 정확도를 향상시켰다.
• 프레임워크는 다양한 환자 행동 패턴에 대해 뛰어난 강건성을 보이며 정신 건강 모니터링의 개인화 가능성을 뒷받침했다.