一种通过多模态被动感知改进数据驱动压力监测的自监督框架
机器学习
2023-03-28 v1
摘要
远程健康监测系统的最新进展已显著惠及患者,并在改善其生活质量方面发挥关键作用。然而,尽管以生理健康为核心的解决方案已取得日益增长的成效与成熟度,以心理健康为核心的应用相比之下成功有限,尽管压力与焦虑障碍是人们日常生活中最常见的问题之一。为希望通过开发更稳健的分析框架以测量心理健康指标来推动该领域进展,我们提出一种用于追踪压力反应生理前兆的多模态半监督框架。我们的方法能够利用来自可穿戴设备、域与分辨率各异的多模态数据,并将其映射至给定任务下语义高效的嵌入。此外,我们采用模态间对比目标,其优势使框架兼具模块化与可扩展性。通过层次结构对嵌入的局部与全局方面同时优化,使知识迁移及与其他设备的兼容性更易实现。在我们的流程中,基于注意力机制的任务特定池化在实例层面估计各模态贡献,计算观测的最终嵌入。这额外提供了对数据特征的深入诊断洞察,并凸显了信号在预测按心理健康状态标注的发作这一更广阔视角下的重要性。我们使用关于感知压力的真实世界数据语料进行训练实验,结果证明了所提方法在性能提升上的有效性。
引用
@article{arxiv.2303.14267,
title = {A Self-supervised Framework for Improved Data-Driven Monitoring of Stress via Multi-modal Passive Sensing},
author = {Shayan Fazeli and Lionel Levine and Mehrab Beikzadeh and Baharan Mirzasoleiman and Bita Zadeh and Tara Peris and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:2303.14267},
year = {2023}
}