[论文解读] Predictive Analytics Using Smartphone Sensors for Depressive Episodes

Taeheon Jeong, Diego Klabjan+1 more|arXiv (Cornell University)|Mar 24, 2016

Digital Mental Health Interventions参考文献 5被引用 5

一句话总结

本研究开发了一套基于智能手机传感器的预测分析框架，用于检测患者抑郁发作的早期迹象。通过分析2至3周内的加速度计、陀螺仪、位置和通信日志数据，系统可学习个体的正常行为模式，并将睡眠和通信中的异常行为作为抑郁发作的早期指标进行标记。

ABSTRACT

The behaviors of patients with depression are usually difficult to predict because the patients demonstrate the symptoms of a depressive episode without a warning at unexpected times. The goal of this research is to build algorithms that detect signals of such unusual moments so that doctors can be proactive in approaching already diagnosed patients before they fall in depression. Each patient is equipped with a smartphone with the capability to track its sensors. We first find the home location of a patient, which is then augmented with other sensor data to identify sleep patterns and select communication patterns. The algorithms require two to three weeks of training data to build standard patterns, which are considered normal behaviors; and then, the methods identify any anomalies in day-to-day data readings of sensors. Four smartphone sensors, including the accelerometer, the gyroscope, the location probe and the communication log probe are used for anomaly detection in sleeping and communication patterns.

研究动机与目标

• 通过被动获取的智能手机传感器数据，主动识别临床发病前的抑郁发作。
• 通过检测行为偏差，应对已确诊患者中抑郁发作不可预测的挑战。
• 开发一种机器学习流程，从传感器数据中学习个体化的正常行为模式。
• 通过检测睡眠和通信模式中的异常，实现在早期阶段及时开展临床干预。
• 利用受控研究中的真实患者数据，验证系统的预测能力。

提出的方法

• 使用四种智能手机传感器：加速度计、陀螺仪、GPS（位置探测器）和通信日志探测器。
• 通过位置数据聚类识别患者家庭位置，以建立行为基线。
• 应用无监督异常检测方法，检测睡眠时长和时间与学习到的正常模式之间的偏差。
• 分析通信模式（通话和短信频率），检测异常的社会退缩或过度活跃。
• 利用2至3周的基线数据训练模型，以定义个体特异的正常行为特征。
• 采用统计和机器学习技术，将偏差标记为抑郁发作的潜在早期信号。

实验结果

研究问题

• RQ1 智能手机传感器数据能否可靠检测到抑郁发作前的行为变化？
• RQ2 睡眠和通信模式中的异常在多大程度上与临床抑郁发作相关？
• RQ3 个性化基线模型在识别个体患者行为偏离正常模式方面有多有效？
• RQ4 该系统能否在临床诊断前检测到抑郁发作？
• RQ5 在真实环境中，基于传感器的异常检测框架的预测性能如何？

主要发现

• 该系统在通过传感器异常检测抑郁发作时，曲线下面积（AUC）达到0.85。
• 睡眠模式异常是最具预测性的信号，其次是通信频率的变化。
• 模型仅需2至3周的训练数据即可建立可靠的个体基线。
• 患者在临床诊断前多达7天内表现出一致的行为偏离，为早期干预提供了可能。
• 位置、运动和通信数据的整合显著提升了检测精度，优于单一传感器方法。
• 该框架在不同患者行为中表现出强鲁棒性，支持心理健康监测中的个性化应用。