[论文解读] Personalized Student Stress Prediction with Deep Multitask Network

Abhinav Shaw, Natcha Simsiri+3 more|arXiv (Cornell University)|Jun 26, 2019

Mental Health Research Topics参考文献 20被引用 4

一句话总结

该论文提出 CALM-Net，一种结合长短期记忆网络（LSTM）与自编码器的深度多任务学习框架，用于从异构、多分辨率的智能手机传感器数据中预测个性化的学生压力水平。通过建模时间序列模式并结合高层次协变量，同时针对每位学生进行个性化处理，CALM-Net 在 StudentLife 数据集上的 F1 分数达到 0.594，相比先前最先进方法（F1 = 0.408）提升了 45.6%。

ABSTRACT

With the growing popularity of wearable devices, the ability to utilize physiological data collected from these devices to predict the wearer's mental state such as mood and stress suggests great clinical applications, yet such a task is extremely challenging. In this paper, we present a general platform for personalized predictive modeling of behavioural states like students' level of stress. Through the use of Auto-encoders and Multitask learning we extend the prediction of stress to both sequences of passive sensor data and high-level covariates. Our model outperforms the state-of-the-art in the prediction of stress level from mobile sensor data, obtaining a 45.6 % improvement in F1 score on the StudentLife dataset.

研究动机与目标

• 解决从智能手机被动采集的异构、多分辨率传感器数据中预测个性化学生压力水平的挑战。
• 克服先前模型在处理个体间差异性、数据粒度不规则性以及缺乏时间序列建模方面的局限性。
• 开发一个可泛化的平台，将时间序列传感器数据与高层次协变量相结合，以提升心理状态预测性能。
• 评估多任务学习与个性化在提升压力预测性能方面的有效性。
• 提供一种稳健、可扩展的框架，用于基于移动传感技术实现实时、个性化的心理健康监测。

提出的方法

• CALM-Net 采用深层多任务架构，包含共享编码器和任务特定头，利用 LSTM 对传感器序列中的时间模式进行建模。
• 引入自编码器组件以压缩并重建原始传感器序列，降低过拟合风险，提升泛化能力。
• 将时间序列数据（如活动、音频）按 1 分钟间隔分箱，并取众数以处理采样率不一致的问题。
• 将高层次协变量（如星期几、睡眠时长、考试期、距离下次截止时间的时间）作为输入特征整合。
• 通过共享表示学习为每位学生训练个性化模型，实现对个体行为模式的适应。
• 在学生之间应用多任务学习，实现知识迁移，提升低数据量个体的性能表现。

实验结果

研究问题

• RQ1 深度多任务学习框架能否有效建模来自异构、多分辨率智能手机传感器数据的个性化压力水平？
• RQ2 与仅使用静态特征的模型相比，整合时间序列模式和高层次协变量在压力预测方面有何改进？
• RQ3 在每位个体数据量有限的情况下，多任务学习在多大程度上能提升预测性能？
• RQ4 通过个体特异性头实现的个性化是否显著优于非个性化或共享模型？
• RQ5 自编码器组件能否在从噪声大、长度长的传感器序列中进行压力预测时减少过拟合并提升 F1 分数？

主要发现

• CALM-Net 在 StudentLife 数据集上实现了平均 F1 分数 0.594，相比先前最先进方法 Location-MLP（F1 = 0.408）提升了 45.6%。
• 该模型优于标准 LSTM（F1 = 0.426）和仅预测每位学生最常见标签的基线模型（F1 = 0.551），证明了个性化与时间序列建模的价值。
• 在 23 名学生上训练时，多任务学习带来了 39.4% 的相对 F1 分数提升，且随着学生数量增加，性能增益进一步扩大。
• 消融实验表明，移除多任务头会导致在较大群体中性能显著下降，验证了共享表示学习的优势。
• 自编码器组件有助于提升泛化能力，降低在长而不规则传感器序列上的过拟合风险。
• CALM-Net 通过将分类序列分箱并采用基于直方图的编码方式，成功处理了数据异质性与多分辨率特征。