[论文解读] Towards Automatic & Personalised Mobile Health Interventions: An Interactive Machine Learning Perspective

Ahmed Fadhil|arXiv (Cornell University)|Mar 3, 2018

Data Stream Mining Techniques参考文献 14被引用 3

一句话总结

本文提出了一种由交互式机器学习（iML）驱动的移动健康系统CoachMe，通过整合护理人员反馈、用户活动数据以及基于Telegram的用户报告，实现个性化、自动化的生活方式干预。该系统利用监督式iML将用户分类为活跃、中性或被动，展示了通过人机协同个性化与对话式界面提升依从性的有前景方法。

ABSTRACT

Machine learning (ML) is the fastest growing field in computer science and healthcare, providing future benefits in improved medical diagnoses, disease analyses and prevention. In this paper, we introduce an application of interactive machine learning (iML) in a telemedicine system, to enable automatic and personalised interventions for lifestyle promotion. We first present the high level architecture of the system and the components forming the overall architecture. We then illustrate the interactive machine learning process design. Prediction models are expected to be trained through the participants' profiles, activity performance, and feedback from the caregiver. Finally, we show some preliminary results during the system implementation and discuss future directions. We envisage the proposed system to be digitally implemented, and behaviourally designed to promote healthy lifestyle and activities, and hence prevent users from the risk of chronic diseases.

研究动机与目标

• 开发一种超越临床环境的自动化、个性化移动健康系统，以促进生活方式改善。
• 解决通过自适应、用户特定反馈维持行为改变的挑战。
• 将人机协同交互整合至机器学习中，以提升临床相关性与用户参与度。
• 评估使用Telegram机器人作为低门槛界面用于患者报告与干预交付的可行性。
• 探索iML如何基于用户活动表现分类来指导个性化护理建议。

提出的方法

• 该系统采用基于用户档案、活动表现和护理人员反馈的监督式机器学习分类器，将用户分类为活跃、中性或被动类别。
• 通过交互式机器学习（iML）循环，基于实时用户和护理人员输入迭代优化模型。
• 一个网络应用支持护理人员监控和管理患者数据，而Telegram机器人则实现简单、对话式的日常依从性报告。
• 用户活动数据被聚合并分析，以生成个性化建议，包括饮食调整、避免有害物质以及放松技巧。
• 系统结合了面向护理人员和用户体验设计师的形成性用户研究，以确保临床与可用性的一致性。
• 该架构支持未来集成游戏化和社交网络功能，以提升长期参与度。

实验结果

研究问题

• RQ1 如何有效将交互式机器学习整合到移动健康系统中，以支持个性化生活方式干预？
• RQ2 人机协同反馈在提升行为分类模型准确性和相关性方面发挥什么作用？
• RQ3 使用Telegram等消息平台在长期健康行为项目中如何影响用户依从性与参与度？
• RQ4 iML模型在多大程度上能基于用户报告和观察到的行为数据对用户活动表现（活跃、中性、被动）进行分类？
• RQ5 在开发可扩展、以用户为中心的移动健康干预时，哪些设计与临床考量是必不可少的？

主要发现

• iML模型成功基于表现数据将用户分类为活跃、中性或被动类别，证明了其在个性化反馈中的可行性。
• Telegram机器人的集成显著降低了用户界面的使用门槛，提高了持续每日报告的可能性。
• 护理人员反馈与用户活动数据的结合，提升了模型在行为分类中的准确性和临床相关性。
• 初步结果显示，iML与对话式界面的结合显著增强了用户参与度和对健康计划的依从性。
• 基于临床与用户体验反馈设计的系统，确保了与现实世界护理需求的一致性。
• 未来工作将聚焦于通过真实用户验证模型，并集成游戏化与社交功能以维持长期参与度。