一种用于焦虑筛查的多模态数据驱动框架
机器学习
2023-03-17 v1
摘要
早期焦虑筛查与适当干预对于降低患者的自伤与自杀发生率至关重要。由于医疗资源有限，传统方法过度依赖医生专业能力与专用设备，无法同时满足高精度与模型可解释性的需求。多模态数据可为焦虑筛查提供更客观的证据，从而提升模型准确性。多模态数据中大量噪声与数据的不平衡特性使模型易于过拟合。然而，当高维多模态特征组合作为模型输入并纳入模型训练时，这是一个不可微分的问题。这导致现有基于机器学习与深度学习的焦虑筛查方法不适用。因此，我们提出一种多模态数据驱动的焦虑筛查框架，即MMD-AS，并在收集的200余名海员智能手机健康数据上进行了实验。所提框架的特征提取、降维、特征选择与焦虑推断被联合训练以提升模型性能。在特征选择步骤中，采用基于改进烟花算法的特征选择方法，解决特征组合的不可微分问题，去除冗余特征并搜索理想特征子集。实验结果表明我们的框架优于对比方法。
引用
@article{arxiv.2303.09041,
title = {A Multimodal Data-driven Framework for Anxiety Screening},
author = {Haimiao Mo and Shuai Ding and Siu Cheung Hui},
journal= {arXiv preprint arXiv:2303.09041},
year = {2023}
}