通过分支深度学习进行动态聚类,可增强来自移动传感器数据的压力预测个性化

科学领域:

• 计算精神病学是一种计算精神病学.
• 数字健康数字健康
• 机器学习用于心理健康

背景情况:

• 大学生面临着不断上升的压力水平,影响整体健康.
• 移动设备为持续的压力监测提供了潜力.
• 现有的深度学习模型因数据挑战而难以从移动数据中进行个性化压力预测.

研究的目的:

• 开发一个新的平台,分支CALM-Net,用于个性化和适应性预测学生的压力水平.
• 为了应对数据不规则性,主体间变异性和压力预测中的冷启动问题所带来的挑战.
• 通过使用移动传感器数据,在预测学生压力方面实现最先进的性能.

主要方法:

• 开发了分支CALM-Net,这是一个利用动态聚类进行个性化压力预测的平台.
• 在多任务环境中使用分支技术来实现个性化和持续适应.
• 利用来自达特斯大学学生生活研究的移动传感器数据.

主要成果:

• 分支CALM-Net实现了最先进的性能,与基线模型相比,ROC AUC高出37%,PR AUC优越.
• 在一个冷启动的在线学习场景中,该平台仅用一周的培训数据就获得了F1平均得分87%.
• 通过移动数据预测学生压力水平的可靠性和有效性.

结论:

• 分支CALM-Net为大学生个性化压力预测提供了可靠和有效的解决方案.
• 该平台的适应和个性化能力使其适合于现实世界的心理健康监测应用程序.
• 这项工作突显了利用移动传感和先进机器学习来积极促进学生福祉的潜力.