调查一种可现场部署的基于机器学习的创伤后应激障碍（PTSD）过度唤醒事件检测工具的感知精度与效度
人机交互
2021-10-28 v2
摘要
创伤后应激障碍是个体暴露于创伤事件后经历的一种精神疾病。先前工作已显示利用心率等生理数据检测 PTSD 的潜力。尽管基于机器学习的 PTSD 算法展现出前景，既往研究的验证方法主要依赖理论与计算验证，而非考虑用户感知精度与效度的自然情境评估。既往研究表明，用户对这些生理变化的感知未必与自动检测良好吻合，此种错位可能导致对自动检测的不信任，从而影响此类技术的采纳或持续使用。因此，本文目标是在一项针对 PTSD 患者群体的家庭研究中，调查先前开发的 PTSD 过度唤醒检测工具的感知精度。对此类数据驱动算法的自然情境评估，或可为基础性地揭示此类工具在非侵入式、低成本远程监测 PTSD 症状方面的效能，并为其未来采纳与持续使用铺平道路。结果显示，该检测工具在自然情境验证中的感知精度超过 65%。进一步结果表明，长期接触该检测工具有可能校准用户对自动化的信任。
引用
@article{arxiv.2110.13211,
title = {Investigating the Perceived Precision and validity of a Field-Deployable Machine Learning-based Tool to Detect Post-Traumatic Stress Disorder (PTSD) Hyperarousal Events},
author = {Mahnoosh Sadeghi and Farzan Sasangohar and Anthony D McDonald},
journal= {arXiv preprint arXiv:2110.13211},
year = {2021}
}
备注
36 pages, 4 figures