[论文解读] 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 Ziyadidegan+6 more|arXiv (Cornell University)|Aug 8, 2023

Mental Health Research Topics被引用 4

一句话总结

本范围综述分析了98篇关于机器学习（ML）和深度学习（DL）在检测、预测和监测压力及与压力相关的心理障碍方面的同行评审研究。研究识别出SVM、神经网络和随机森林为表现最佳的模型，生理信号（如心率和皮肤反应）为关键预测因子，并强调降维是提升模型性能的关键预处理步骤。

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

研究动机与目标

• 绘制当前机器学习与深度学习在压力及与压力相关心理障碍检测、预测和监测应用中的研究现状。
• 识别该领域中最具成效的机器学习算法、数据类型及预处理技术。
• 评估方法论趋势，包括数据采集模式和模型性能指标。
• 突出在模型可解释性、个性化、实时处理及自然情境数据采集方面的研究空白。
• 通过阐明部署机器学习于心理健康应用中的关键挑战与机遇，为未来研究提供指导。

提出的方法

• 采用PRISMA-ScR指南开展系统性范围综述，以识别并分析关于ML/DL在压力与心理障碍中应用的同行评审出版物。
• 基于预设的纳入与排除标准，从全面的文献检索中筛选出98项相关研究。
• 按机器学习算法类型（如SVM、随机森林、神经网络）、数据模态（如生理、自我报告、行为）及预处理技术对研究进行分类。
• 评估预处理方法，包括特征选择、滤波、降噪以及降维（如PCA、LDA）在模型训练前的应用。
• 综合分析各研究在模型性能、数据来源及方法论方法方面的发现。
• 识别模型架构、数据采集环境（如实验室与真实世界）及评估指标方面的重复性模式。

实验结果

研究问题

• RQ1 哪些机器学习与深度学习模型在检测和预测压力及与压力相关心理障碍方面表现出最高的准确率与鲁棒性？
• RQ2 作为这些模型输入的数据类型——尤其是生理、自我报告或行为数据——最常使用的是哪些？
• RQ3 最常应用的预处理技术有哪些，它们如何提升模型性能？
• RQ4 当前研究在应对模型可解释性、个性化及实时监测等挑战方面采取了哪些措施？
• RQ5 在将机器学习应用于压力与心理健康监测方面，关键的研究空白与未来方向是什么？

主要发现

• 支持向量机（SVM）、神经网络（NN）和随机森林（RF）模型在多项研究中持续表现出卓越的准确率与鲁棒性。
• 生理信号（如心率变异性与皮肤电导反应）是最常见且最具信息量的预测因子，因其与自主神经系统活动存在直接关联。
• 降维技术（包括特征选择、滤波与降噪）在模型训练前被一致应用，以提升性能并减少过拟合。
• 尽管在受控环境中表现优异，但很少有研究实现实时处理或在自然情境、动态环境中部署模型。
• 模型可解释性与个性化仍发展不足，个体特异性数据或可解释人工智能技术的整合有限。
• 大量研究依赖于小规模、实验室环境下的数据集，凸显未来工作中需开展更大规模、多样化且生态有效的数据采集。