隐私意识的互联网行为用于通过跨度适应变压器检测抑郁症

科学领域:

• 数字心理健康数字心理健康
• 计算精神病学是一种计算精神病学.
• 医疗保健中的机器学习

背景情况:

• 抑郁症是大学生自杀的主要原因,需要可扩展的查.
• 在线行为显示出抑郁症检测的潜力,但隐私问题是障碍.

研究的目的:

• 开发一个隐私意识的模型来检测使用不规则的时间序列数据从在线行为抑郁症.
• 解决隐私限制,同时利用互联网使用模式进行心理健康查.

主要方法:

• 提出了一种针对不规则时间序列数据的隐私意识的跨度适应变压器.
• 集成的自适应采样用于时间分辨率统一和跨度注意力用于模式识别.
• 排除了敏感的个人信息,专注于应用程序类别和使用模式.

主要成果:

• 拟议的自适应变压器模型的性能优于经典的不规则时间序列模型.
• 使用微弱的私人在线数据展示了有效的与抑郁症相关的行为模式捕获.

结论:

• 开发的方法为大学生抑郁症检测提供了一个有希望的,非侵入性的方法.
• 对在线活动模式的隐私意识分析可以提高心理健康查的可扩展性和可访问性.