Towards Deep Learning Models for Psychological State Prediction using Smartphone Data: Challenges and Opportunities
Towards Deep Learning Models for Psychological State Prediction using Smartphone Data: Challenges and Opportunities
复制标题
使用智能手机数据进行心理状态预测的深度学习模型：挑战和机遇
DOI：
--
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Mirco Musolesi
中科院分区：
文献类型：
--
作者：
Gatis Mikelsons;Matthew Smith;Abhinav Mehrotra;Mirco Musolesi
人们对利用移动的传感技术和机器学习技术进行心理健康监测和干预的兴趣越来越大。研究人员已经有效地使用了上下文信息，如移动性，通信和移动的电话使用模式，以量化个人的情绪和幸福感。在本文中，我们研究了神经网络模型的有效性，通过使用智能手机收集的位置信息来预测用户的压力水平。我们使用文献中提出的GPS指标来表征个人的移动模式，并将这些指标作为网络的输入。我们在开源StudentLife数据集上评估了我们的方法。此外，我们还讨论了为数字心理健康构建机器学习模型所面临的挑战和权衡，并强调了未来在这一方向上的潜在工作。
There is an increasing interest in exploiting mobile sensing technologies and machine learning techniques for mental health monitoring and intervention. Researchers have effectively used contextual information, such as mobility, communication and mobile phone usage patterns for quantifying individuals' mood and wellbeing. In this paper, we investigate the effectiveness of neural network models for predicting users' level of stress by using the location information collected by smartphones. We characterize the mobility patterns of individuals using the GPS metrics presented in the literature and employ these metrics as input to the network. We evaluate our approach on the open-source StudentLife dataset. Moreover, we discuss the challenges and trade-offs involved in building machine learning models for digital mental health and highlight potential future work in this direction.
设计有效的运动数字生物标记，用于不引人注目的情绪状态移动监测
DOI：
10.1145/3089341.3089342
发表时间：
2017
期刊：
--
影响因子：
--
作者：
Mehrotra A
通讯作者：
Mehrotra A