使用可穿戴设备和语音数据进行个性化机器学习,用于早期发现精神障碍:参与式研究研究的协议

科学领域:

• 数字健康和机器学习在精神卫生保健中的应用.
• 多模式数据分析用于心理健康评估.

背景情况:

• 早期识别心理健康症状对于有效治疗和减少长期残疾至关重要.
• 一个利用纵向活动,言语和自我报告的情绪数据的工具可以帮助个人识别心理健康状况的早期预警信号.

研究的目的:

• 通过使用多式联络数据 (可穿戴设备,语音,自我报告) 评估用于心理健康指标检测的机器学习模型.
• 调查纵向数据,语音特征和多语言数据对模型准确性的影响.
• 为了比较个性化与人口级机器学习模型的心理健康评估.

主要方法:

• 开发一个移动应用程序,收集语音记录,可穿戴设备的生理和活动数据,以及自我报告的心理状态 (抑郁,焦虑和压力量表).
• 从18-35岁,英语或西班牙语流利的参与者收集纵向数据,以训练机器学习模型.
• 在个人背景讨论期间分析语音模式,与中立文本阅读对比,以确定心理健康指标.

主要成果:

• 该研究正在进行中,数据收集计划于2023年11月完成.
• 招聘目标至少50名来自加拿大和墨西哥大学的参与者.
• 纳入标准确保特定的人口统计,并排除具有沟通或神经障碍的个人.

结论:

• 这项研究旨在通过创建抑郁症,焦虑和压力的预测数据集来推进针对心理健康的个性化机器学习.
• 将部署一个用于早期检测心理健康症状的框架.
• 长期目标是建立一种非侵入性,客观的方法,用于持续收集心理健康数据和检测症状.