非定常時系列予測におけるトレーニングウィンドウ選択方法の比較

科学分野:

• デジタルヘルス
• 計算精神医学
• 行動データサイエンス

背景:

• スマートフォンは、センサーを介した日常行動の受動的モニタリングを提供します。
• センサーデータは、心理症状や気分と相関し、測定負担を軽減する可能性があります。
• 精神病理学のピークを予測することは、メンタルヘルスケアにおける適時介入を可能にする可能性があります。

研究 の 目的:

• センサーデータを使用して心理症状を予測するためのトレーニングウィンドウの最適なサイズを調査すること。
• 適切なトレーニングウィンドウサイズを選択するための様々な方法論を比較すること。
• センサーと症状の関係における変化率の変動が予測精度に及ぼす影響を評価すること。

主な方法:

• センサーデータと心理症状の関係における根本的な変化率を変化させたシミュレーション研究が実施されました。
• ヒューリスティックアプローチやスーパーラーニングアプローチを含む、異なるウィンドウサイズ選択方法論が比較されました。
• 単一の最適なウィンドウを選択する場合と比較して、複数のウィンドウを横断した予測の平均化の予測性能が評価されました。

主要な成果:

• 単一の最適なトレーニングウィンドウを選択することは、特に時間変化する関係においては、予測精度に有害である可能性があります。
• 異なるウィンドウサイズを横断した予測の平均化は、一貫して予測誤差を減少させました。
• 提案された平均化アプローチは、シミュレートされたデータと実際のスマートフォンセンサーデータの両方で有効性を示しました。

結論:

• センサーデータと心理症状の関係における一定または固定率の関係という仮定は、しばしば無効です。
• 複数の時間ウィンドウを横断した予測の平均化は、センサーデータを使用したメンタルヘルスモニタリングの精度を向上させるための堅牢な戦略です。
• このアプローチは、より信頼性の高い心理状態の予測を提供することにより、デジタルメンタルヘルスケアの可能性を高めます。