使用基于Wi-Fi的运动传感器数据预测老年人抑郁症的HOPE模型的开发和可行性研究:机器学习研究研究
Shayan Nejadshamsi1,2,3, Vania Karami1,2,3, Negar Ghourchian4
1Mila-Quebec Artificial Intelligence Institute, Montreal, QC, Canada.
JMIR aging
|March 7, 2025
概括
这项研究表明,非侵入性的Wi-Fi传感器可以检测到老年人的抑郁症. 睡眠模式和脆弱性是HOPE机器学习模型识别的关键指标.
科学领域:
- 老年学是一门学科.
- 机器学习 机器学习
- 数字健康数字健康
背景情况:
- 抑郁症显著影响生活质量,需要早期检测.
- 传统的抑郁症分类方法经常使用侵入性可穿戴设备和大型数据集.
- 现有的研究在单阶段分类器中缺乏可解释性.
研究的目的:
- 评估使用非侵入性Wi-Fi传感器数据对抑郁症进行分类的可行性.
- 评估一种新型机器学习模型 (HOPE) 用于老年人抑郁症预测.
- 进行可解释性分析,以确定抑郁症的关键指标.
主要方法:
- 招募了65岁以上的成年人进行6个月的数据收集期.
- 使用非侵入性的Wi-Fi传感器来获取活动和睡眠数据,以及临床尺度.
- 开发和评估了HOPE模型,其中包括特征选择,缩小维度和分类阶段.
主要成果:
- 最准确的模型达到87.5%的准确度,90%的灵敏度和88.3%的精度.
- 可解释性分析确定了睡眠时间,睡眠中断和脆弱度量作为关键特征.
- 在剩下的四名参与者中,一名参与者被归类为患有抑郁症.
结论:
- 无线网络传感器数据和HOPE模型显示,即使样本规模小,抑郁症分类的可行性也很大.
- 这种非侵入性方法对老年人远程健康监测具有前景.
- 建议对更大的队列进行进一步的研究,以验证这些发现.
