使用机器学习研究受感性和影响力:生态瞬间评估和可穿戴感应研究
Zachary D King1, Han Yu1, Thomas Vaessen2,3
1Department of Electrical and Computer Engineering, Rice University, Houston, TX, United States.
JMIR mHealth and uHealth
|February 7, 2024
概括
机器学习驱动的生态瞬间评估 (EMA) 交付可以影响参与者的情绪状态. 这项研究发现,优化基于受感性的EMA时间减少了负面影响,但可能会引入偏见,在积极的情绪状态期间触发.
科学领域:
- 移动健康 (mHealth) 服务提供商
- 可穿戴式传感器技术的技术.
- 机器学习 (ML) 是指机器学习.
- 生态瞬间评估 (EMA) 是一种
背景情况:
- 参与者的接受度对于mHealth研究的成功至关重要,特别是在收集主观健康数据时.
- 某些群体的低合规率可能会影响数据质量.
- 机器学习和传感器数据提供了创新的方法来优化调查交付时间.
研究的目的:
- 调查基于ML的EMA交付系统对参与者报告的情绪状态的影响.
- 在基于可穿戴传感器的研究中确定影响EMA受体性的因素.
- 分析受感性和影响力的生理指标,以及它们的相互作用.
主要方法:
- 收集了45名健康参与者的数据,使用可穿戴传感器 (皮肤活动,加速度计,心电图,皮肤温度).
- 每天服用10个EMA来评估感知到的情绪.
- 使用无监督 (k-means集群) 和监督 (随机森林,神经网络) 的ML来推断非响应期间的影响和受感性.
主要成果:
- 通过感受性模型触发EMA,自我报告的负面影响减少了超过3个点 (0.29 SDs).
- 在不响应期间预测的影响显示出双模分布,表明在积极情绪状态期间更频繁地启动了EMA.
- 观察到影响力和受感性之间存在显著的关系.
结论:
- 影响和受感之间的关系可以影响mHealth研究的有效性,特别是ML触发的EMA.
- 未来的研究应该旨在寻找智能触发器,以提高EMA的接受度,而不影响情绪状态报告.
关键词:
欧洲药品监督管理局 (EMA) 是一个.吉大利语 (JITAI)影响推论影响推论.生态瞬间评估 环境瞬间评估恰到好处的适应性干预措施.移动健康 移动健康 移动健康 移动健康移动健康的移动健康手机电话 手机电话手机电话接收能力 接收能力研究设计研究设计
