基于按键动态和行为特征的强大的抑郁倾向远程检测

科学领域:

• 数字生物标志物数字生物标志物
• 精神病学是一个精神病学.
• 机器学习 机器学习

背景情况:

• 抑郁症 (DD) 是一个重大的全球健康负担,需要可访问的查方法.
• 个人动态活动,特别是智能手机触摸屏的互动,提供了潜在的精神状态指标.
• 按键动态为被动,早期发现抑郁倾向 (DT) 的新途径.

研究的目的:

• 探索机器学习模型和功能工程,以使用按键数字生物标志物检测抑郁倾向 (DT).
• 通过对打字模式的分析,验证DT的被动选框架.
• 改进现有的最先进的客观精神障碍查方法.

主要方法:

• 收集了24名受试者在使用智能手机时的不引人注目的键盘按键时间序列.
• 基于按键数据的等待时间和飞行时间变量的工程特征.
• 采用各种特征选择技术和机器学习分类器,通过嵌套交叉验证进行验证.

主要成果:

• 表现最好的模型是一个渐变增强分类器,利用由相互信息选择的特征.
• 在DT检测中获得了0.98的高曲线下面积 (AUC) (95%CI:0.91-1.00).
• 与现有的最先进模型相比,拟议的管道表现出优越的性能.

结论:

• 键式数字生物标记器可以有效地捕捉用户的行为特征,这些特征表明了DT.
• 开发的管道提供了一个有希望的,客观的,和在野外的查精神障碍的方法.
• 这种方法可以为用户提供有关其心理健康发展的见解,并帮助早期干预.