机器学习用于多模态心理健康检测:对被动感应方法的系统审查
Lin Sze Khoo1, Mei Kuan Lim2, Chun Yong Chong2
1Department of Human-Centered Computing, Faculty of Information Technology, Monash University, Clayton, VIC 3800, Australia.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
检测心理健康 (MH) 障碍是复杂的. 多模式数据,如音频和社交媒体,结合机器学习 (ML),显示出更准确,非侵入性MH疾病检测的希望.
科学领域:
- 数字健康数字健康
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 心理健康 (MH) 障碍由于复杂的症状和并发症而带来诊断挑战,风险低于诊断.
- 机器学习 (ML) 提供了潜在的解决方案,但对于被动收集的多模式数据的有效策略尚未得到充分探索.
研究的目的:
- 系统地审查现有的关于使用被动感应多式联络数据检测MH疾病的研究.
- 评估特征提取,融合和ML方法在多式联络数据的背景下用于MH疾病检测.
主要方法:
- 进行了184项研究的系统审查.
- 从被动数据模式 (音频,视频,社交媒体,智能手机,可穿戴设备) 中分析特征提取和融合的方法.
- 评估机器学习算法,特别是神经网络,以评估它们在多式联网数据分析中的有效性.
主要成果:
- 确定了不同模式特定特征的不同相关性,这些特征受个人背景,人口统计和个性的影响.
- 观察到使用神经网络架构在功能融合和ML算法方面日益增长的趋势.
- 证明了神经网络在处理高维数据和建模跨模式关系方面的有效性.
结论:
- 本综述提供了多模式MH疾病检测方法方法的分类,指导未来的研究.
- 对数据源和ML方法的明智选择对于提高数字心理健康诊断的准确性和范围至关重要.
