MHDeep：基于体域网络与深度神经网络的心理健康障碍检测系统
机器学习
2021-02-23 v1 人机交互
神经与进化计算
摘要
心理健康问题影响着全球数百万人的生活质量。然而，心理健康障碍的诊断是一个具有挑战性的问题，通常依赖于患者对其行为模式的自我报告。因此，亟需新的心理健康问题诊断策略。近年来，由嵌入智能手表和智能手机中的大量精确传感器组成的体域网络（body-area networks）以及深度神经网络（DNNs）的引入，指向了一种可能的解决方案。然而，基于可穿戴监测系统（WMSs）和 DNNs 的疾病诊断及其在边缘设备上的部署仍然是一个挑战。为此，我们提出了一种称为 MHDeep 的框架，该框架利用商用的 WMSs 和高效的 DNN 模型来诊断三种重要的心理健康障碍：分裂情感性障碍、重度抑郁症和双相情感障碍。MHDeep 使用从智能手表和智能手机集成传感器获得的八类不同数据。由于可用数据有限，MHDeep 使用合成数据生成模块，用从相同概率分布中抽取的合成数据来增强真实数据。我们使用合成数据集对 DNN 模型进行预训练，从而对权重施加先验。我们采用增长-剪枝 DNN 合成方法，在训练过程中同时学习架构和权重。我们使用三种不同的数据划分来评估基于 74 名个体收集数据训练的 MHDeep 模型。我们进行了数据实例级和患者级评估。MHDeep 在健康实例与分裂情感性障碍实例、重度抑郁障碍实例和双相情感障碍实例的分类中，分别取得了 90.4%、87.3% 和 82.4% 的平均测试准确率。在患者级别，MHDeep DNNs 对这三种心理健康障碍的准确率分别达到 100%、100% 和 90.0%。
引用
@article{arxiv.2102.10435,
title = {MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks},
author = {Shayan Hassantabar and Joe Zhang and Hongxu Yin and Niraj K. Jha},
journal= {arXiv preprint arXiv:2102.10435},
year = {2021}
}
备注
11 pages, 6 figures