論文の概要: Digital Phenotyping for Adolescent Mental Health: A Feasibility Study Employing Machine Learning to Predict Mental Health Risk From Active and Passive Smartphone Data
- arxiv url: http://arxiv.org/abs/2501.08851v1
- Date: Wed, 15 Jan 2025 15:05:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:53:11.538303
- Title: Digital Phenotyping for Adolescent Mental Health: A Feasibility Study Employing Machine Learning to Predict Mental Health Risk From Active and Passive Smartphone Data
- Title(参考訳): 青年期のメンタルヘルスのためのデジタル・フェノタイピング : アクティブ・パッシブ・スマートフォンデータからメンタルヘルスのリスクを予測する機械学習による可能性調査
- Authors: Balasundaram Kadirvelu, Teresa Bellido Bel, Aglaia Freccero, Martina Di Simplicio, Dasha Nicholls, A Aldo Faisal,
- Abstract要約: 本研究は,非クリニカル青年期の精神障害を予測するために,アクティブおよびパッシブスマートフォンデータを統合する可能性について検討した。
我々はMindcraftアプリを用いて、内因性障害、摂食障害、不眠症、自殺思考のリスクを予測する。
- 参考スコア(独自算出の注目度): 2.2310516973117194
- License:
- Abstract: Background: Adolescents are particularly vulnerable to mental disorders, with over 75% of cases manifesting before the age of 25. Research indicates that only 18 to 34% of young people experiencing high levels of depression or anxiety symptoms seek support. Digital tools leveraging smartphones offer scalable and early intervention opportunities. Objective: Using a novel machine learning framework, this study evaluated the feasibility of integrating active and passive smartphone data to predict mental disorders in non-clinical adolescents. Specifically, we investigated the utility of the Mindcraft app in predicting risks for internalising and externalising disorders, eating disorders, insomnia and suicidal ideation. Methods: Participants (N=103; mean age 16.1 years) were recruited from three London schools. Participants completed the Strengths and Difficulties Questionnaire, the Eating Disorders-15 Questionnaire, Sleep Condition Indicator Questionnaire and indicated the presence/absence of suicidal ideation. They used the Mindcraft app for 14 days, contributing active data via self-reports and passive data from smartphone sensors. A contrastive pretraining phase was applied to enhance user-specific feature stability, followed by supervised fine-tuning. The model evaluation employed leave-one-subject-out cross-validation using balanced accuracy as the primary metric. Results: The integration of active and passive data achieved superior performance compared to individual data sources, with mean balanced accuracies of 0.71 for SDQ-High risk, 0.67 for insomnia, 0.77 for suicidal ideation and 0.70 for eating disorders. The contrastive learning framework stabilised daily behavioural representations, enhancing predictive robustness. This study demonstrates the potential of integrating active and passive smartphone data with advanced machine-learning techniques for predicting mental health risks.
- Abstract(参考訳): 背景: 青年期は特に精神疾患に罹患しており、その75%以上が25歳未満である。
調査によると、うつ病や不安症状を患っている若者の18~34%が支援を求めている。
スマートフォンを活用したデジタルツールは、スケーラブルで早期の介入の機会を提供する。
目的: 新たな機械学習フレームワークを用いて, 非クリニカル青年期の精神障害を予測するために, アクティブおよびパッシブスマートフォンデータを統合する可能性を検討した。
具体的には,障害の内在・外在化,摂食障害,不眠症,自殺思考のリスクを予測するためのMindcraftアプリの有用性を検討した。
方法:参加者(N=103、平均年齢16.1歳)は3つのロンドンの学校から募集された。
参加者は, 摂食障害15アンケート, 睡眠条件指標アンケートを完了し, 自殺観念の有無を示した。
彼らはMindcraftアプリを14日間使用し、スマートフォンセンサーからの自己報告と受動的データを通じてアクティブなデータを提供した。
ユーザ固有の特徴安定性を高めるために, 対照的な事前学習フェーズを適用し, 教師付き微調整を行った。
モデル評価では, 平衡精度を主指標として, 残差1サブジェクト・アウト・クロスバリデーションを用いた。
結果: 能動データと受動データの統合は,SDQ-高リスクでは0.71,不眠症では0.67,自殺観念では0.77,摂食障害では0.70であった。
対照的な学習フレームワークは、日々の行動表現を安定化し、予測的堅牢性を高めた。
本研究は、メンタルヘルスリスクを予測するための高度な機械学習技術と、アクティブおよびパッシブスマートフォンデータを統合する可能性を示す。
関連論文リスト
- Unlocking Mental Health: Exploring College Students' Well-being through Smartphone Behaviors [4.362487258697971]
本研究は,学生のスマートフォンロック解除行動と,実環境におけるメンタルヘルスとの関係について,初めて検討したものである。
調査の結果、性別や場所によってスマートフォンの利用が重要な変化を示し、デジタル行動とメンタルヘルスの相互作用をより深く理解していることがわかった。
論文 参考訳(メタデータ) (2025-02-12T20:12:45Z) - Exploration of Adolescent Depression Risk Prediction Based on Census
Surveys and General Life Issues [7.774933303698165]
青年期におけるうつ病の頻度は着実に増加している。
尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。
本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
論文 参考訳(メタデータ) (2024-01-06T09:14:25Z) - Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。
本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
論文 参考訳(メタデータ) (2023-02-05T22:33:49Z) - Depression Diagnosis and Forecast based on Mobile Phone Sensor Data [47.93070579578704]
これまでの研究では、携帯電話から収集したセンサデータとヒトのうつ状態の相関が示されている。
本研究では,携帯電話データから電話,電話利用,ユーザ活動,GPS機能を含む4種類の受動的特徴を抽出する。
我々は、診断と予測タスクの両方をモデル化するために、主観非依存の10倍のクロスバリデーション設定に長寿命メモリ(LSTM)ネットワークを実装した。
論文 参考訳(メタデータ) (2022-05-10T10:05:36Z) - Objective Prediction of Tomorrow's Affect Using Multi-Modal
Physiological Data and Personal Chronicles: A Study of Monitoring College
Student Well-being in 2020 [0.0]
本研究の目的は、複数の商用機器を用いて、完全自動的かつ客観的なアプローチにより、影響をより正確に予測する能力を検討することである。
1年以上にわたり、スマートウェアラブルと携帯電話を使用した大学生のサンプルから、縦断的生理データと毎日の感情評価を収集した。
その結果,本モデルでは,技術手法に匹敵する精度で,翌日への影響を予測することができた。
論文 参考訳(メタデータ) (2022-01-26T23:06:20Z) - Designing A Clinically Applicable Deep Recurrent Model to Identify
Neuropsychiatric Symptoms in People Living with Dementia Using In-Home
Monitoring Data [52.40058724040671]
鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。
扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。
本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
論文 参考訳(メタデータ) (2021-10-19T11:45:01Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-05T05:14:14Z) - Passive detection of behavioral shifts for suicide attempt prevention [0.0]
スマートフォンアプリから収集した非侵襲的データから精神科患者の行動変化を検出する非侵襲的機械学習モデルを提案する。
臨床検査の結果から,自殺未遂予防のための早期発見モバイルツールのアイデアが浮き彫りになった。
論文 参考訳(メタデータ) (2020-11-14T11:44:43Z) - Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。
スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。
eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
論文 参考訳(メタデータ) (2020-08-09T20:22:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。