[论文解读] Personalized advice for enhancing well-being using automated impulse response analysis --- AIRA

Frank J. Blaauw, Lian van der Krieke+3 more|arXiv (Cornell University)|Jun 15, 2017

Mental Health Research Topics参考文献 31被引用 10

一句话总结

本文提出AIRA（自动化脉冲响应分析）算法，通过向量自回归（VAR）模型分析生态瞬时评估研究中的时间序列数据，生成个性化的心理健康建议。通过模拟脉冲响应并计算净效应值，AIRA识别出对幸福感影响最大的变量及其所需变化量，实现计算成本低的自动化、个性化自我管理支持。

ABSTRACT

The attention for personalized mental health care is thriving. Research data specific to the individual, such as time series sensor data or data from intensive longitudinal studies, is relevant from a research perspective, as analyses on these data can reveal the heterogeneity among the participants and provide more precise and individualized results than with group-based methods. However, using this data for self-management and to help the individual to improve his or her mental health has proven to be challenging. The present work describes a novel approach to automatically generate personalized advice for the improvement of the well-being of individuals by using time series data from intensive longitudinal studies: Automated Impulse Response Analysis (AIRA). AIRA analyzes vector autoregression models of well-being by generating impulse response functions. These impulse response functions are used in simulations to determine which variables in the model have the largest influence on the other variables and thus on the well-being of the participant. The effects found can be used to support self-management. We demonstrate the practical usefulness of AIRA by performing analysis on longitudinal self-reported data about psychological variables. To evaluate its effectiveness and efficacy, we ran its algorithms on two data sets ($N=4$ and $N=5$), and discuss the results. Furthermore, we compare AIRA's output to the results of a previously published study and show that the results are comparable. By automating Impulse Response Function Analysis, AIRA fulfills the need for accurate individualized models of health outcomes at a low resource cost with the potential for upscaling.

研究动机与目标

• 解决将复杂、个体层面的时间序列心理健康数据转化为可操作、个性化的自我管理建议的挑战。
• 自动化向量自回归（VAR）模型的分析，从密集纵向数据中提取有意义且可解释的洞察。
• 开发一种可扩展、低成本的方法，用于生成反映心理变量正负滞后效应的个性化建议。
• 通过高效、基于浏览器的实现，实现在 eHealth 和 mHealth 平台中实际部署个性化心理健康反馈。
• 为决策支持提供一种系统化方法，将变量的冲突滞后效应汇总为单一净效应值。

提出的方法

• AIRA 使用个体层面的时间序列数据，对生态瞬时评估（EMA）研究中的向量自回归（VAR）模型进行拟合。
• 通过计算脉冲响应函数（IRFs），模拟每个变量在时间上对其他所有变量产生的动态影响。
• 将 IRF 轨迹在定义的时间范围内聚合，以计算净效应值，判断整体影响是净收益还是净损失。
• 应用自 resampling（自助法）评估净效应值的稳定性和显著性，提升结果可靠性。
• 基于 IRF 模拟，计算为实现幸福感的期望变化，目标变量所需的变化百分比。
• AIRA 使用 R 和 JavaScript 实现，支持在基于网络的 eHealth 平台中部署，实现实时反馈。

实验结果

研究问题

• RQ1 如何将密集纵向研究中的个体层面时间序列数据转化为可操作、个性化的心理健康建议？
• RQ2 当一个变量对幸福感具有冲突的正向和负向滞后效应时，其整体影响的净效应是什么？
• RQ3 自动化脉冲响应分析能否生成可靠、可解释且可扩展的心理健康自我管理建议？
• RQ4 与以往的人工或群体分析结果相比，AIRA 的输出在一致性和临床相关性方面表现如何？
• RQ5 此类系统在现实世界 eHealth 应用中部署的计算可行性如何？

主要发现

• AIRA 有效计算出净效应值，将冲突的滞后效应汇总为单一可解释的指标，明确指示变量整体影响是有益还是有害。
• 该算法生成个性化建议，明确指出为实现幸福感的期望变化，需对某一变量进行的百分比变化。
• 性能评估显示，对于包含六个变量、20步时间范围的 VAR 模型，现代笔记本电脑上的建议计算时间少于一秒，表明其具有出色的可扩展性。
• 在两个小样本数据集（N=4 和 N=5）上的结果与先前发表研究的结果相当，验证了其分析一致性。
• 该方法能有效处理跨滞后效应的混合影响，解决了变量整体影响是净收益还是净损失的模糊性。
• 使用 R 和 JavaScript 的实现支持在网页和移动环境中部署，支持 eHealth 平台中的实时、交互式反馈。