通过手机采集的个体附近蓝牙设备计数数据预测抑郁症状严重程度：一项初步纵向研究
机器学习
2023-09-06 v1 机器学习
摘要
手机中嵌入的蓝牙传感器提供了一种不引人注意、连续且低成本的方式来捕获个体的邻近信息，例如附近蓝牙设备计数（NBDC）。连续的NBDC数据可部分反映个体的行为与状态，如社交联系与互动、工作状态、流动性以及社交孤立与孤独感，既往基于调查的研究发现这些与抑郁症显著相关。本文旨在探索NBDC数据在预测通过8项患者健康问卷（PHQ-8）测量的抑郁症状严重程度方面的价值。本文使用的数据包括作为欧盟RADAR-CNS研究一部分、从荷兰、西班牙和英国三个研究点招募的316名参与者收集的2886条双周PHQ-8记录。从每个PHQ-8得分前两周的NBDC数据中，我们提取了49个蓝牙特征，包括统计特征以及用于度量个体生活节律周期性与规律性的非线性特征。使用线性混合效应模型探索蓝牙特征与PHQ-8得分之间的关联。随后我们应用层次贝叶斯线性回归模型从提取的蓝牙特征预测PHQ-8得分。发现了若干蓝牙特征与抑郁症状严重程度之间的显著关联。与常用的机器学习模型相比，所提出的层次贝叶斯线性回归模型取得了最佳的预测指标，R2 = 0.526，均方根误差（RMSE）为3.891。相对于不含蓝牙特征的基线模型（R2 = 0.338，RMSE = 4.547），蓝牙特征可额外解释PHQ-8得分中18.8%的方差。
引用
@article{arxiv.2104.12407,
title = {Predicting Depressive Symptom Severity through Individuals' Nearby Bluetooth Devices Count Data Collected by Mobile Phones: A Preliminary Longitudinal Study},
author = {Yuezhou Zhang and Amos A Folarin and Shaoxiong Sun and Nicholas Cummins and Yatharth Ranjan and Zulqarnain Rashid and Pauline Conde and Callum Stewart and Petroula Laiou and Faith Matcham and Carolin Oetzmann and Femke Lamers and Sara Siddi and Sara Simblett and Aki Rintala and David C Mohr and Inez Myin-Germeys and Til Wykes and Josep Maria Haro and Brenda WJH Pennix and Vaibhav A Narayan and Peter Annas and Matthew Hotopf and Richard JB Dobson},
journal= {arXiv preprint arXiv:2104.12407},
year = {2023}
}