基于生理信号的机器学习方法理解 EMA 中的接受度与情感：接受度与情感分析
人机交互
2023-11-27 v2
摘要
随着可穿戴和移动传感器技术的进步，移动健康（mHealth）研究变得日益多产，但我们监测和建模人类行为的能力将受限于参与者的接受度。对健康构念依赖主观回应带来了挑战，尤其是在接受度较低的人群中。研究人员提出了机器学习方法来优化调查时机与投递以解决这个问题。然而，人们对参与者回应可能存在的潜在偏差或意外影响感到担忧。我们的研究在一个为期 10 天的 mHealth 研究中深入探讨影响生态瞬时评估（EMA）接受度的因素，探索指示接受度和情感的生理关系。利用来自 45 名佩戴测量多种生物特征设备的参与者的数据，我们采用无监督（k-means 聚类）和有监督（随机森林和神经网络）机器学习方法推断未回应时的情感。研究结果表明，基于接受度模型触发 EMA 使报告的负性情感降低超过 3 分（0.29 个标准差）。未回应时预测的情感呈双峰分布，表明在较高积极情绪状态下更频繁地发起。该研究强调了情感与接受度之间的明确关系，影响 mHealth 研究效力，特别是那些使用机器学习进行 EMA 触发的研究。因此，我们提出一种智能触发器作为未来工作，可在采样时间点促进 EMA 接受度而不影响情感。
引用
@article{arxiv.2303.09077,
title = {Towards the Understanding of Receptivity and Affect in EMAs using Physiological based Machine Learning Method: Analysis of Receptivity and Affect},
author = {Zachary D King and Han Yu and Thomas Vaessen and Iniz Myin-Germeys and Akane Sano},
journal= {arXiv preprint arXiv:2303.09077},
year = {2023}
}