移动传感器数据的日常聚类促进精神分裂症患者精神病性复发预测
机器学习
2022-02-22 v2
摘要
我们旨在开发聚类模型，从连续多模态移动传感数据中获取行为表示，用于复发预测任务。所识别的聚类可代表与患者日常生活相关的不同日常行为趋势，以及与即将复发相关的非典型行为趋势。我们使用 CrossCheck 项目中获得的移动传感数据进行分析。来自共 63 名精神分裂症患者的连续数据，包括六种不同基于移动传感的模态（如环境光、声音/对话、加速度等），每名患者监测长达一年，用于聚类模型和复发预测评估。使用两种聚类模型，高斯混合模型（GMM）和围绕中心划分（PAM），从移动传感数据中获取行为表示。从聚类模型获得的特征用于使用平衡随机森林训练和评估个性化复发预测模型。个性化通过基于由年龄相似的其他患者组成的个性化子集为给定患者识别最优特征来完成。使用 GMM 和 PAM 模型识别的聚类被发现代表不同行为模式（例如代表久坐日的聚类、活跃但低交流日的聚类等）。在复发期附近，从聚类模型获得的行为表示特征出现显著变化。基于聚类模型的特征，连同表征移动传感数据的其他特征，在留一患者交叉验证设定下为复发预测任务带来了 0.24 的 F2 分数。该获得的 F2 分数显著高于平均 F2 分数为 0.042 的随机分类基线。
引用
@article{arxiv.2106.11487,
title = {Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients},
author = {Joanne Zhou and Bishal Lamichhane and Dror Ben-Zeev and Andrew Campbell and Akane Sano},
journal= {arXiv preprint arXiv:2106.11487},
year = {2022}
}
备注
JMIR mHealth and uHealth