基于移动传感器日常行为节律变化的患者无关精神分裂症复发预测
信号处理
2021-12-03 v1 机器学习
摘要
精神分裂症复发对患者的健康、工作乃至生命安全具有严重后果。若能及时预测即将发生的复发，例如通过检测患者的早期行为变化，便可提供干预以防止复发。本工作中，我们研究了一种基于机器学习的精神分裂症复发预测模型，利用移动感知数据刻画行为特征。我们评估了一种患者无关模型，该模型提供序列预测，紧密贴合复发预测的临床部署场景。模型使用近四周的移动感知数据来预测下周即将发生的复发。我们利用从移动感知数据日常模板中提取的行为节律特征、通过 EMA（生态瞬时评估）收集的自我报告症状以及人口统计学信息，比较了用于复发预测的不同分类器。在由 63 名精神分裂症患者组成、每人监测长达一年的数据集中评估时，基于朴素贝叶斯的模型取得了最佳结果，F2 分数为 0.083。所获得的 F2 分数虽低，但优于随机分类的基线表现（F2 分数为 0.02 0.024）。因此，移动感知对检测即将发生的复发具有预测价值，需进一步研究以提升当前性能。为此，基于患者行为特异性的进一步特征工程与模型个性化或有所帮助。
引用
@article{arxiv.2106.15353,
title = {Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes},
author = {Bishal Lamichhane and Dror Ben-Zeev and Andrew Campbell and Tanzeem Choudhury and Marta Hauser and John Kane and Mikio Obuchi and Emily Scherer and Megan Walsh and Rui Wang and Weichen Wang and Akane Sano},
journal= {arXiv preprint arXiv:2106.15353},
year = {2021}
}
备注
EAI MobiHealth 2020