[论文解读] Detecting Individuals with Depressive Disorder fromPersonal Google Search and YouTube History Logs

Boyu Zhang, Anis Zaman+4 more|arXiv (Cornell University)|Oct 28, 2020

Mental Health via Writing参考文献 20被引用 4

一句话总结

本研究提出了一种基于纵向谷歌搜索和YouTube浏览记录的个性化抑郁检测框架，采用多维互激发点过程（霍克斯过程）与分布短语嵌入技术，捕捉语义与时间动态。最佳模型在212名参与者中对中度至重度抑郁症状的分类任务中，F1得分为0.77±0.04，AUC ROC为0.81±0.02。

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 $0.81 \pm 0.02$.

研究动机与目标

• 开发一种非侵入性、个性化的抑郁障碍检测方法，利用个人在线行为数据。
• 克服公开社交媒体数据的局限性，后者存在自我审查问题且缺乏个体层面的追踪。
• 利用纵向搜索与YouTube互动日志，建模与抑郁相关的时序与语义模式。
• 通过具有随机性与语义感知能力的模型，超越基于规则的时序特征，捕捉在线活动之间的相互作用。
• 提供可扩展、符合隐私合规要求的系统，支持早期检测与临床决策支持。

提出的方法

• 从212名参与者中收集个人谷歌搜索与YouTube浏览历史日志，以及PHQ-9抑郁量表调查结果，其中包含99名中度至重度抑郁个体。
• 使用分布短语嵌入技术从搜索查询与视频标题中提取语义表征，实现对在线活动的语义建模。
• 应用多维霍克斯过程，对在线行为中不同隐含主题之间的互激发动态进行建模，捕捉时序与语义上的相互依赖关系。
• 在截断时间窗口（D = 2周至12个月）内训练霍克斯过程，以识别临床评估前的最优行为模式。
• 提取两个关键特征：基线强度向量（μ）与主题权重比（φ），后者量化了主题交互图中传入与传出影响的平衡。
• 使用带L2正则化的线性SVM，分别基于μ与φ特征对抑郁状态进行分类，通过五折交叉验证调整超参数。

实验结果

研究问题

• RQ1 纵向个人搜索与YouTube浏览记录能否可靠预测个体的抑郁障碍症状？
• RQ2 中度至重度抑郁个体与非抑郁个体在在线行为的语义与时间模式上存在何种差异？
• RQ3 多维霍克斯过程在多大程度上能够建模不同在线活动主题之间的互激发，从而提升分类性能？
• RQ4 与传统的关键词或基于规则的特征相比，引入分布短语模型的语义嵌入是否能提升检测性能？
• RQ5 用于数据截断的最优时间窗口（D）是多少，才能使抑郁检测的预测性能最大化？

主要发现

• 使用主题权重比特征（φ）的模型实现了最高的平均加权F1得分0.77±0.04，优于基线强度特征（μ）。
• 基于φ的模型AUC ROC达到0.81±0.02，表明其在区分中度至重度抑郁个体方面具有出色的判别能力。
• 所有配置中最佳超参数为σ=0.01，C=1，K=10，D=6个月，该组合使分类性能达到最优。
• φ特征，即捕捉主题交互网络中传入与传出影响平衡的特征，比原始强度模式更具信息量。
• 本研究证明，通过霍克斯过程对在线行为进行语义感知的随机建模，可显著提升抑郁检测性能，优于基于规则或非语义的方法。
• 尽管性能表现良好，该模型的泛化能力仍局限于大学生群体，且长期数据使用的伦理与隐私问题仍是实际部署的主要障碍。