[论文解读] dpMood: Exploiting Local and Periodic Typing Dynamics for Personalized Mood Prediction

He Huang, Bokai Cao+3 more|arXiv (Cornell University)|Aug 29, 2018

Mental Health Research Topics参考文献 28被引用 3

一句话总结

该论文提出 dpMood，一种深度学习模型，通过利用智能手机元数据中的局部打字动态和昼夜节律，实现双相情感障碍的个性化情绪预测。通过早期融合卷积神经网络（CNNs）与循环神经网络（RNNs）来整合加速度计和打字数据，并采用基于时间的建模对每位个体进行预测校准，dpMood 在预测 HDRS 和 YMRS 评分方面达到当前最优性能，回归误差低于先前方法。

ABSTRACT

Mood disorders are common and associated with significant morbidity and mortality. Early diagnosis has the potential to greatly alleviate the burden of mental illness and the ever increasing costs to families and society. Mobile devices provide us a promising opportunity to detect the users' mood in an unobtrusive manner. In this study, we use a custom keyboard which collects keystrokes' meta-data and accelerometer values. Based on the collected time series data in multiple modalities, we propose a deep personalized mood prediction approach, called {\pro}, by integrating convolutional and recurrent deep architectures as well as exploring each individual's circadian rhythm. Experimental results not only demonstrate the feasibility and effectiveness of using smart-phone meta-data to predict the presence and severity of mood disturbances in bipolar subjects, but also show the potential of personalized medical treatment for mood disorders.

研究动机与目标

• 开发一种利用双相情感障碍患者无创智能手机传感器数据的个性化情绪预测系统。
• 解决在情绪状态中捕捉打字动态和昼夜节律局部模式的挑战。
• 通过深度学习整合多模态智能手机数据（打字与加速度计）以提高预测准确性。
• 探索在情绪预测中对多视图时间序列数据采用早期融合与晚期融合策略的比较。
• 通过时间模式对每位用户进行预测校准，以反映个性化的昼夜节律。

提出的方法

• 该模型采用晚期融合架构，结合卷积神经网络（CNNs）以捕捉打字序列中的局部模式，以及循环神经网络（RNNs）以建模长期时间动态。
• 探索了打字与加速度计特征的早期融合，并表明其在情绪预测性能上优于晚期融合。
• 对每位用户应用基于时间的校准机制，以建模个体的昼夜节律，从而提升个性化程度与预测准确性。
• 该模型采用双流编码器：一个用于打字元数据（如按键持续时间、按键间隔），另一个用于加速度计数据，随后进行特征拼接。
• 最终的预测头对汉密尔顿抑郁量表（HDRS）和杨氏躁狂量表（YMRS）评分执行回归。
• 该架构通过多任务学习端到端训练，同时预测抑郁与躁狂严重程度。

实验结果

研究问题

• RQ1 智能手机打字动态中的局部模式能否预测双相情感障碍个体的情绪状态？
• RQ2 将个体的昼夜节律纳入模型，能否提升个性化情绪预测的准确性？
• RQ3 在情绪预测中，打字与加速度计等多模态智能手机数据的早期融合是否优于晚期融合？
• RQ4 结合 CNN 与 RNN 的深度学习模型在多大程度上能够捕捉打字动态中的局部与全局时间模式以实现情绪预测？
• RQ5 基于时间的用户级校准能否提升情绪严重程度估计的精度？

主要发现

• 与基线模型相比，dpMood 在 HDRS 和 YMRS 预测任务中均实现了最低的回归误差，证明其在情绪严重程度估计方面具有卓越性能。
• 打字与加速度计特征的早期融合显著提升了预测准确性，表明联合特征学习更为有效。
• 每位受试者均表现出独特的昼夜节律，其情绪动态中呈现独特的正弦波模式，证实了生物节律的个体差异性。
• 昼夜节律模型中的偏移项 δu 按诊断分组聚集：对照组具有正值偏移，而双相 I 型与 II 型患者则显示负值偏移，与临床预期一致。
• 该模型成功捕捉了打字动态中的个体特异性模式，实现了无需访问文本内容的精确个性化情绪预测。
• dpMood 的开源代码已公开，支持可复现性及数字表型研究的进一步发展。