基于移动感知监督深度学习模型的精神分裂症患者精神病复发预测
机器学习
2022-05-25 v1 信号处理
摘要
基于移动感知的行为变化建模可以预测精神分裂症患者的即将发生的精神病复发，以便及时干预。深度学习模型可以通过建模与预测相关的潜在行为特征，补充现有的非深度学习复发预测模型。然而，鉴于个体间的行为差异，预测模型可能需要个性化。在这项工作中，我们提出RelapsePredNet，一种基于长短期记忆（LSTM）神经网络的复发预测模型。该模型通过使用与给定患者最相似的患者数据进行训练，从而为特定患者个性化。我们考虑了若干人口统计学和基线心理健康评分作为定义患者相似性的个性化指标。我们研究了个性化对训练数据集特征、学习到的嵌入以及复发预测性能的影响。我们将RelapsePredNet与基于深度学习的异常检测复发预测模型进行了比较。此外，我们研究了RelapsePredNet是否能在融合模型中补充ClusterRFModel（先前工作中提出的利用聚类和模板特征的随机森林模型），通过识别与复发预测相关的潜在行为特征。我们使用CrossCheck数据集进行评估，该数据集包含从63名精神分裂症患者获得的连续移动感知数据，每人监测长达一年。所提出的RelapsePredNet在复发预测上优于基于深度学习的异常检测模型。预测的全测试集和复发测试集（仅包含发生过复发的患者数据）的F2分数分别为0.21和0.52。这相对于现有的基于深度学习的复发预测模型分别有29.4%和38.8%的提升。
引用
@article{arxiv.2205.12225,
title = {Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile Sensing-based Supervised Deep Learning Model},
author = {Bishal Lamichhane and Joanne Zhou and Akane Sano},
journal= {arXiv preprint arXiv:2205.12225},
year = {2022}
}