健康追踪器揭示的心理健康秘密
点击蓝字 关注我们
SUBSCRIBE to US
根据世界卫生组织的数据,全世界有2.8亿人患有抑郁症。其中一半以上的人没有得到诊断或治疗,原因是治疗所需的护理和努力成本。
健身追踪器和其他可穿戴设备能帮助筛查焦虑和抑郁等疾病吗?
IEEE Fellow Chenyang Lu认为这是一个值得探索的问题。健身追踪器等可穿戴设备并不引人注目,佩戴它并不费力,可成为有潜力的筛查工具,帮助早期识别焦虑和抑郁等疾病。
Lu说:“使用可穿戴设备收集活动和心率数据来检测心理健康障碍是有科学依据的。心理健康文献表明,活动和心率模式与心理健康有关。”
但该领域的大部分研究都依赖于小样本量或仅由大学生组成的研究,这意味着研究结果可能不适用于更广泛的人群。
Lu和几位合作者开发了WearNet,这是一个深度学习模型,从美国国家卫生研究院的All of Us庞大数据集中的8900多名参与者那里收集信息。
下文中他谈到了这项研究,以及它如何成为心理健康状况的早期筛查工具。
Q
可穿戴设备可以检测到哪些标志和变量来表明焦虑或抑郁的程度?
每天的总步数对于我们的模型检测抑郁症和焦虑症来说是最重要的。值得欣慰的是,我们的深度学习模型的这一结果与之前医学文献中的发现一致。其他具有中等重要性的变量包括休息和活动期间燃烧的卡路里,以及久坐时间。
Q
你的研究提到使用了一个庞大而多样的数据集。为什么在你的研究人群中拥有这样的多样性很重要,它是如何影响研究结果的?
任何机器学习模型的一个主要问题是其可推广性。使用现有数据集训练模型。问题是,当它应用于一个模型以前没有看到过数据的新人时,它是否仍然有效。如果一个机器学习模型是在一个小的数据集上训练的,它往往会过度拟合训练集。也就是说,它可能特别针对训练集是高度准确的,但对于新人来说表现不佳。过度拟合对于深度学习模型尤其令人担忧。训练集越多样化,模型就越容易推广,因为它是从不同类型的人收集的数据中学习的。
Q
WearNet将变压器编码器与卷积神经网络相结合。对于可能不熟悉这些术语的读者,你能解释一下人工智能技术在这些发现中发挥了什么作用吗?
虽然活动和心率数据与心理健康之间存在关联,但与抑郁症和焦虑症相关的潜在数据模式是复杂的。人工智能,尤其是深度学习模型的关键优势在于其学习复杂关联的能力和预测能力。
Q
您在为此目的开发端到端深度学习模型时遇到了哪些挑战,特别是考虑到先前对较小队列的研究的局限性?
从历史上看,最大的挑战是缺乏从庞大而多样的队列中收集的可穿戴数据以及他们的心理健康诊断。“游戏规则的改变者”是美国国家卫生研究院的“All of Us”项目,该项目从社区的大量人群中收集健康数据。利用这一不断增长的数据集,我们可以训练和验证先进的深度学习模型,这些模型可能适用于不同的人群。
Q
心理健康是一个复杂而敏感的问题。你如何设想在现实世界中使用可穿戴设备来支持抑郁症和焦虑症患者,同时确保隐私和道德考虑得到满足?
隐私至关重要。我们需要保护个人的可穿戴数据以及使用个人数据进行的预测。用户应该能够控制自己的数据以及基于数据的任何预测和分析。我们应该建立有隐私保障的基础设施。我们还必须警惕模型可能从训练数据中发现的潜在偏差。
Q
展望未来,这项研究的下一步是什么?你如何看待可穿戴技术的未来发展,以进一步支持心理健康检测和干预?
首先,我们需要建立一个端到端的基础设施,使用可穿戴网络和可穿戴设备的数据流来检测抑郁症和焦虑症。
其次,我们需要测试WearNet在前瞻性临床试验中检测抑郁症和焦虑症的能力。
最后,我们希望开发和测试基于可穿戴设备筛查的及时干预措施,以便我们能够及时、有针对性地治疗患者,改善他们的心理健康。
微信号|IEEE电气电子工程师学会
新浪微博|IEEE中国
· IEEE电气电子工程师学会 ·
往
期
推
荐
微信扫码关注该文公众号作者