慢性病中的心灵关怀：一种使用物联网的可解释人工智能方法

面向慢性病管理的健康感知为社会福利创造了巨大益处。现有的健康感知研究主要集中于预测身体慢性疾病。然而，抑郁症作为慢性病的一种普遍并发症，却研究不足。我们借鉴医学文献，支持利用运动传感器数据进行抑郁症检测。为了在此决策中连接人类、保障信任并确保算法透明度，我们开发了一种可解释的深度学习模型：时序原型网络（TempPNet）。TempPNet 基于新兴的原型学习模型构建。为适应传感器数据的时序特性和抑郁症的渐进属性，TempPNet 与现有原型学习模型的不同之处在于其捕捉原型时序进展的能力。使用真实世界运动传感器数据进行的广泛实证分析表明，TempPNet 在抑郁症检测方面优于最先进的基准模型。此外，TempPNet 通过可视化从传感器数据中检测到的抑郁症及其相应症状的时序进展来解释其决策。我们进一步通过用户研究和医学专家小组证明了其在可解释性方面优于基准模型。本研究为具有影响力的社会公益——在健康感知中协同护理慢性病与抑郁症——提供了一种算法解决方案。在方法论上，它贡献了一种新颖的可解释深度学习模型，用于从传感器数据中检测抑郁症。患者、医生和护理人员可以在移动设备上部署我们的模型，以实时监测患者的抑郁风险。我们模型的可解释性还允许人类专家通过审查解释并做出明智的干预来参与决策。