Comparación de métodos de selección de ventanas de entrenamiento para la predicción en series temporales no...

Área de la Ciencia:

• Salud Digital
• Psiquiatría Computacional
• Ciencia de Datos de Comportamiento

Sus antecedentes:

• Los teléfonos inteligentes ofrecen monitoreo pasivo del comportamiento diario a través de sensores.
• Los datos de sensores se correlacionan con síntomas psicológicos y estado de ánimo, lo que podría reducir la carga de medición.
• La predicción de picos de psicopatología podría permitir intervenciones oportunas en la atención de salud mental.

Objetivo del estudio:

• Investigar los tamaños de ventana óptimos para entrenar modelos utilizando datos de sensores para predecir síntomas psicológicos.
• Comparar diversas metodologías para seleccionar tamaños de ventana de entrenamiento apropiados.
• Evaluar el impacto de las tasas de cambio variables en la relación sensor-síntoma en la precisión de la predicción.

Principales métodos:

• Se realizó un estudio de simulación, variando la tasa de cambio en la relación subyacente entre los datos del sensor y los síntomas psicológicos.
• Se compararon diferentes metodologías de selección de tamaño de ventana, incluidos enfoques heurísticos y de superaprendizaje.
• Se evaluó el rendimiento predictivo de promediar predicciones en múltiples ventanas frente a la selección de una única ventana óptima.

Principales resultados:

• La selección de una única ventana de entrenamiento óptima puede ser perjudicial para la precisión de la predicción, especialmente con relaciones que varían en el tiempo.
• El promedio de las predicciones en diferentes tamaños de ventana redujo consistentemente el error de predicción.
• El enfoque de promediación propuesto demostró ser efectivo tanto en datos simulados como en datos del mundo real de sensores de teléfonos inteligentes.

Conclusiones:

• La suposición de una relación constante o de tasa fija entre los datos del sensor y los síntomas psicológicos a menudo no es válida.
• El promedio de las predicciones en múltiples ventanas de tiempo es una estrategia robusta para mejorar la precisión del monitoreo de la salud mental utilizando datos de sensores.
• Este enfoque mejora el potencial de la atención digital de salud mental al proporcionar predicciones más confiables de los estados psicológicos.