移动心理健康查在EmotiZen通过新型大脑启发的MCoG-LDPSNet

科学领域:

• 计算神经科学是一种计算神经科学.
• 机器学习用于心理健康

背景情况:

• 数以百万计的人因耻辱和等待时间而面临心理健康护理的障碍.
• 移动心理健康应用程序提供了可访问的查,但与不平衡的数据作斗争.
• 现有的机器学习模型往往在不平衡的数据集中产生有偏见的预测.

研究的目的:

• 为移动心理健康查开发一个准确和不平衡意识的模型.
• 解决当前机器学习方法在处理类失衡方面的局限性.
• 提高心理健康应用中的预测可靠性和校准性.

主要方法:

• 提出了MCoG-LDPSNet,这是一个以大脑为灵感的模型,具有双重编码路径.
• 引入了一种新的损失驱动参数转换 (LDPS) 激活与自适应增益.
• 利用心理健康基准库和社交媒体文本进行评估.

主要成果:

• 在一个基准库中,MCoG-LDPSNet的AUROC为0.9920和G-平均值为0.9451.
• 在传统和最先进的深度学习模型中表现出卓越的性能.
• 在将学习转移到社交媒体文本后,获得了0.9937的AUROC.
• 整合到EmotiZen应用程序导致显著的症状减少 (焦虑28.2%;抑郁42.1%).

结论:

• MCoG-LDPSNet提供了一个准确的,不平衡意识的解决方案,用于可扩展的焦虑和抑郁症移动查.
• 该模型的自适应增益机制增强了少数类模式检测.
• 这些发现支持使用MCoG-LDPSNet来改善心理健康的可访问性和结果.