定量数字生物标志物对幸福:压力,焦虑,通过可穿戴设备的积极和消极影响及其基于时间的预测

科学领域:

• * 数字健康和可穿戴技术
• * 行为科学和心理学
• * 对于时间序列数据的机器学习

背景情况:

• *无处不在的可穿戴设备产生了大量的时间数据,这对于理解人类活动和健康至关重要.
• *基于时间的分析技术对于捕捉可穿戴传感器数据固有的复杂时间依赖是必不可少的.
• *预测福祉因素 (压力,焦虑,情绪) 对于积极主动的健康管理至关重要.

研究的目的:

• * 用办公室工作人员的时间数据来评估各种机器学习模型在预测幸福因素方面的有效性.
• * 为了比较基于时间的与非基于时间的预测模型的性能.
• * 确定与不同福祉状态相关的关键生理生物标志物.

主要方法:

• *利用了办公室工作人员的Tesserae数据集,将可穿戴设备的数据纳入.
• * 在基于时间和非基于时间的配置中实施和比较深度学习 (LSTM) 和集合方法 (随机森林,XGBoost).
• *使用特征排名来识别相关的生物标志物和与心理学文献对比的验证结果.

主要成果:

• * 基于时间的长期短期记忆 (LSTM) 模型显著超过了非基于时间的传统模型 (RF,XGBoost,LSTM).
• *当将较长的前期数据 (3天与1天) 纳入数据时,幸福因素的预测准确性大大提高.
• *特征排名揭示了与已建立的心理理解压力,焦虑和情感相一致的生物标志物.

结论:

• *使用LSTM进行时间序列分析是从可穿戴传感器数据中预测幸福感的强大方法.
• *较长的历史数据窗口提高了预测性能,表明了生理信号的累积影响.
• *可穿戴设备数据可以客观地识别与心理状态相关的生物标志物,补充主观报告.