利用每日步数传感器数据预测抑郁症治疗效果

《ACM Transactions on Computing for Healthcare》：Predicting Depression Treatment Outcome Using Daily Step Count Sensory Data

　　个性化抑郁症治疗通过自监督对比预训练利用步数数据实现监测，结合睡眠数据提升F1分数至0.77。

　　

摘要

尽管经过数十年的研究，个性化抑郁症治疗仍然难以实现。目前最佳的做法是密切监测患者的病情并根据需要调整治疗方案。然而，在临床环境中，由于成本高昂、资源有限以及患者负担重，密切监测患者存在困难。在本文中，我们探讨了利用健身手环自动收集的每日步数数据来监测抑郁症治疗进展的方法。我们重点关注深度学习模型，这些模型能够从原始的每日步数数据序列中有效学习特征表示，而无需依赖人工制作的特征。一个重要的挑战是我们的数据集规模较小，而深度学习模型通常需要大量数据才能实现良好的泛化能力。为了解决这个问题，我们研究了自监督对比预训练方法来学习特征表示，然后利用这些表示进行二元分类。实验结果表明，这种对比预训练方法的表现显著优于几种先进的深度学习模型。当将步数数据与一次性自报的基线问卷得分结合使用时，验证的F1分数可达到0.74，与仅使用基线和繁琐的定期自报得分时的最佳F1分数（0.72）相当。最后，当进一步加入每日睡眠数据后，最佳F1分数提高到了0.77。