[논문 리뷰] Heterogeneous network approach to predict individuals' mental health

Shikang Liu, Fatemeh Vahedian외 5명|arXiv (Cornell University)|2019. 06. 11.

Mental Health Research Topics참고 문헌 87인용 수 4

한 줄 요약

이 연구는 스마트폰, 웨어러블(Fitbit) 및 설문지 데이터를 통합하여 우울증과 불안을 예측하기 위해 추천시스템(RS) 및 노드 분류(NC) 방법을 적용한 이질적 정보망(HIN) 프레임워크를 제안한다. 최고의 성능을 보인 Deep Matrix Factorization(DMF) 방법은 기존의 로지스틱 회귀 및 무작위 기준 모델을 능가하였으며, 정신건강 예측에서 HIN 기반 추천시스템이 노드 분류보다 더 효과적임을 입증한다.

ABSTRACT

Depression and anxiety are critical public health issues affecting millions of people around the world. To identify individuals who are vulnerable to depression and anxiety, predictive models have been built that typically utilize data from one source. Unlike these traditional models, in this study, we leverage a rich heterogeneous data set from the University of Notre Dame's NetHealth study that collected individuals' (student participants') social interaction data via smartphones, health-related behavioral data via wearables (Fitbit), and trait data from surveys. To integrate the different types of information, we model the NetHealth data as a heterogeneous information network (HIN). Then, we redefine the problem of predicting individuals' mental health conditions (depression or anxiety) in a novel manner, as applying to our HIN a popular paradigm of a recommender system (RS), which is typically used to predict the preference that a person would give to an item (e.g., a movie or book). In our case, the items are the individuals' different mental health states. We evaluate four state-of-the-art RS approaches. Also, we model the prediction of individuals' mental health as another problem type - that of node classification (NC) in our HIN, evaluating in the process four node features under logistic regression as a proof-of-concept classifier. We find that our RS and NC network methods produce more accurate predictions than a logistic regression model using the same NetHealth data in the traditional non-network fashion as well as a random-approach. Also, we find that the best of the considered RS approaches outperforms all considered NC approaches. This is the first study to integrate smartphone, wearable sensor, and survey data in an HIN manner and use RS or NC on the HIN to predict individuals' mental health conditions.

연구 동기 및 목표

• 단일 데이터 유형 기반 정신건강 예측 모델의 한계를 해결하기 위해 다양한 데이터 소스를 통합한다.
• 정신건강 예측을 이질적 정보망(HIN)에서 추천시스템(RS) 문제로 모델링하는 새로운 접근법을 개발한다.
• HIN 기반 RS 및 노드 분류(NC) 방법의 성능을 기존의 비네트워크 모델 및 무작위 기준 모델과 비교 평가한다.
• 신체 활동, 웰빙, 성격 특성 등의 다양한 데이터 모odalities가 정신건강 결과 예측에 얼마나 중요한지 상대적 기여도를 탐색한다.
• 다양한 데이터 소스를 통합한 HIN 아키텍처를 기반으로 개인 특성 예측을 위한 일반화 가능한 프레임워크를 구축한다.

제안 방법

• 스마트폰 상호작용 로그, 피트비트 웨어러블 센서 데이터, 설문 기반 성격 특성 데이터로 구성된 NetHealth 연구 데이터는 서로 다른 노드 및 간선 유형을 가진 이질적 정보망(HIN)으로 모델링되었다.
• 정신건강 예측 과제는 개인을 '사용자'로, 정신건강 상태(우울증/불안)를 '예측 대상 항목'으로 간주하여 추천시스템(RS) 문제로 재정의되었다.
• HIN 아키텍처 기반으로 정신건강 상태 예측 능력을 평가하기 위해 최신 RS 방법 4종(Deep Matrix Factorization 포함)을 평가하였다.
• 노드 분류(NC) 방법 4종도 평가되었으며, HIN에서 유도된 노드 특징을 사용한 로지스틱 회귀를 활용하여 개념 증명적 비교를 수행하였다.
• HIN은 다수의 간선 유형을 포함하여 개인에서 사회적 상호작용(S), 신체 활동(F), 웰빙(W), 성격 특성(P)으로 연결되며, 다중 모odal 데이터 통합이 가능하도록 구성되었다.
• 성능 평가는 AUC, F1, 정확도 등의 표준 지표를 사용하였고, 통계적 유의성은 p-값을 통해 평가되었다.

Figure 1 : The summary of our data and the goal of our study.

실험 결과

연구 질문

• RQ1 이질적 정보망(HIN)은 스마트폰, 웨어러블, 설문지 데이터와 같은 다중 소스 데이터를 효과적으로 통합하여 정신건강 예측 성능을 향상시킬 수 있는가?
• RQ2 HIN 기반 추천시스템(RS)은 기존의 노드 분류(NC) 또는 비네트워크 모델 대비 우울증과 불안 예측에 더 효과적인가?
• RQ3 신체 활동(F)과 웰빙(W), 성격 특성(P) 등 다양한 데이터 모달리티 조합 중 어느 조합이 우울증과 불안 예측 정확도를 가장 높이는가?
• RQ4 HIN 기반 정신건강 예측 환경에서 다양한 RS 및 NC 방법의 예측 성능는 어떻게 비교되는가?
• RQ5 데이터셋에서 우울증과 불안을 동시에 앓는 개인 간의 겹침을 통해 두 상태의 예측 패턴 유사성과 차이점에 대해 어떤 통찰을 얻을 수 있는가?

주요 결과

• Deep Matrix Factorization(DMF) 추천시스템 방법이 모든 평가 지표에서 최고의 성능을 보였으며, 다른 모든 RS 및 NC 방법, 비네트워크 로지스틱 회귀 기준 모델을 모두 능가하였다.
• 우울증 예측에 가장 높은 정확도를 보인 조합은 F+W(Fitbit 및 웰빙 데이터 조합)였고, 불안 예측에 가장 우수한 성능을 보인 조합은 P+W(성격 및 웰빙 데이터 조합)였다.
• DMF 방법은 비네트워크 로지스틱 회귀 모델보다 통계적으로 유의미하게 뛰어난 성능을 보였으며, 네트워크 기반 모델링이 예측 능력을 향상시킴을 시사한다.
• 우울증과 불안을 동시에 앓는 개인 간에 유의미한 겹침(51명)이 존재했으며(p < 0.05), 이는 두 상태의 예측 패턴 유사성에 기여할 수 있음을 시사한다.
• F+W 조합이 불안 예측에서 두 번째로 높은 성능을 보였으며, 이는 신체 건강과 웰빙이 두 상태 모두 강력한 예측 변수임을 시사한다.
• DMF와 비네트워크 모델 예측 결과 간 유의미한 겹침이 없어, 향후 앙상블 학습을 통해 성능 향상을 기대할 수 있다.

Figure 2 : Network schema of the HIN that we construct from the NetHealth data. Circles denote our six node types. Connections between circles denote our six edge types. The red line indicates the target ( individual - mental health ) edge type that we try to predict.