[论文解读] MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks

Shayan Hassantabar, Joe Zhang+2 more|arXiv (Cornell University)|Feb 20, 2021

Digital Mental Health Interventions参考文献 40被引用 4

一句话总结

MHDeep 是一种新颖的心理健康障碍检测系统，利用智能手表和智能手机的可穿戴传感器收集生理和行为数据，通过合成数据增强和一种生长与剪枝的深度神经网络（DNN）架构，实现实时、边缘可部署的思觉失调性、重度抑郁和双相情感障碍的精准诊断。仅需16至40分钟的连续数据，即可实现对思觉失调性和重度抑郁障碍的100%患者级准确率。

ABSTRACT

Mental health problems impact quality of life of millions of people around the world. However, diagnosis of mental health disorders is a challenging problem that often relies on self-reporting by patients about their behavioral patterns. Therefore, there is a need for new strategies for diagnosis of mental health problems. The recent introduction of body-area networks consisting of a plethora of accurate sensors embedded in smartwatches and smartphones and deep neural networks (DNNs) points towards a possible solution. However, disease diagnosis based on WMSs and DNNs, and their deployment on edge devices, remains a challenging problem. To this end, we propose a framework called MHDeep that utilizes commercially available WMSs and efficient DNN models to diagnose three important mental health disorders: schizoaffective, major depressive, and bipolar. MHDeep uses eight different categories of data obtained from sensors integrated in a smartwatch and smartphone. Due to limited available data, MHDeep uses a synthetic data generation module to augment real data with synthetic data drawn from the same probability distribution. We use the synthetic dataset to pre-train the DNN models, thus imposing a prior on the weights. We use a grow-and-prune DNN synthesis approach to learn both the architecture and weights during the training process. We use three different data partitions to evaluate the MHDeep models trained with data collected from 74 individuals. We conduct data instance level and patient level evaluations. MHDeep achieves an average test accuracy of 90.4%, 87.3%, and 82.4%, respectively, for classifications between healthy instances and schizoaffective disorder instances, major depressive disorder instances, and bipolar disorder instances. At the patient level, MHDeep DNNs achieve an accuracy of 100%, 100%, and 90.0% for the three mental health disorders, respectively.

研究动机与目标

• 通过利用合成数据生成技术扩充真实生理传感器数据，解决有限且难以获取的心理健康数据集挑战。
• 开发一种可扩展、自动化的系统，利用智能手机和智能手表上的商用可穿戴医疗传感器（WMSs）实现持续的心理健康监测。
• 通过直接处理原始传感器流数据，端到端地使用深度神经网络，消除手动特征工程。
• 设计计算效率高的DNN模型，适用于智能手机等边缘设备的部署，实现实时、无处不在的心理健康诊断。
• 在思觉失调性、重度抑郁和双相情感障碍这三种主要心理健康障碍上，实现在数据实例和患者层面的高诊断准确率。

提出的方法

• 从智能手表和智能手机收集八类生理、运动和环境数据，构建全面的传感器数据集。
• 应用合成数据生成技术扩充真实数据，确保合成样本与真实数据遵循相同的概率分布，以提升模型泛化能力。
• 采用生长与剪枝DNN合成方法，在训练过程中联合学习最优网络架构与权重，提升模型效率与准确率。
• 使用合成数据集对DNN权重进行预训练，为模型参数施加先验，提升在小规模真实世界数据集上的性能。
• 采用三种数据划分进行评估：基于15秒数据窗口的多数投票法进行实例级和患者级分类。
• 将训练好的模型部署于边缘设备，实现实时推理，支持持续、非侵入式心理健康监测。

实验结果

研究问题

• RQ1 仅使用商业可穿戴设备的原始传感器数据，不依赖手动特征工程，深度学习系统能否实现对心理健康障碍的高诊断准确率？
• RQ2 当真实世界心理健康数据集规模小且类别不平衡时，合成数据生成在多大程度上能提升模型性能？
• RQ3 需要多少连续传感器数据才能实现对思觉失调性、重度抑郁和双相情感障碍的可靠患者级诊断？
• RQ4 生长与剪枝DNN架构能否在保持高准确率的同时，具备足够的计算效率，以实现在智能手机和智能手表上的边缘部署？
• RQ5 该系统能否在患者层面实现具有临床意义的准确率，足以支持真实世界临床决策？

主要发现

• 在区分健康个体与思觉失调性障碍患者方面，MHDeep在数据实例层面实现了平均90.4%的测试准确率。
• 在患者层面，使用40分钟连续传感器数据，MHDeep对健康个体与思觉失调性障碍患者的分类准确率达到100%。
• 对于重度抑郁障碍，系统在收集16分钟数据后，患者层面准确率达到100%。
• 对于双相情感障碍，患者层面准确率在22分钟数据后达到90.0%，尽管诊断复杂度较高，仍表现出强劲性能。
• 生长与剪枝DNN合成方法成功联合学习了网络架构与权重，生成了计算效率高、适合边缘部署的模型。
• 合成数据生成有效缓解了数据稀缺问题，支持稳健的预训练，并提升了模型在有限真实世界数据集上的泛化能力。