人工智能基金会模型用于心理健康研究中的可穿戴运动数据

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 数字健康数字健康

背景情况:

• 基础模型和变压器有先进的人工智能,但健康数据建模需要专门的适应.
• 智能手表中常见的可穿戴运动数据,由于其顺序性质,与临床和心理健康研究有关.
• 现有的人工智能模型没有针对时间序列可穿戴运动数据的独特特征进行优化.

研究的目的:

• 介绍预训练的行动图形变压器 (PAT),这是第一个开源的基础模型,用于时间序列可穿戴的运动数据.
• 适应变压器架构和新技术,以有效分析动态图数据.
• 展示PAT在心理健康预测任务中的能力.

主要方法:

• 使用基于变压器的架构和补丁嵌入开发了PAT.
• 预先训练PAT在一个大型数据集上,其中包括来自美国全国样本的29,307名参与者.
• 评估了PAT在各种心理健康预测任务中的表现.

主要成果:

• 在多个心理健康预测任务中,PAT取得了最先进的表现.
• 该模型在分析连续可穿戴移动数据方面表现出有效性.
• PAT被证明是轻量级的,易于解释的.

结论:

• 在将基础模型应用于用于心理健康研究的可穿戴传感器数据方面,PAT代表了重大进展.
• 由于PAT的开源性质,这有助于更广泛地采用和进一步研究数字健康.
• PAT提供了一个强大的,可解释的,高性能工具,用于在心理健康中利用动图数据.