这是一个开放分布式根据条知识共享归属许可(http://creativecommons.org/licenses/by/2.0/),它允许无限制的使用、分配、和繁殖在任何媒介,提供原工作,首先发表在《医学网络研究,正确地引用。完整的书目信息,原始发布在//www.mybigtv.com/上的链接,以及这个版权和许可信息必须包括在内。
手机传感器可以用于开发环境敏感系统,自动检测当病人需要援助。手机还可以提供生态瞬时干预期间提供的援助的问题。然而,这样的方法尚未用于治疗重度抑郁症。
本研究的目的是调查的技术可行性、功能可靠性,和病人满意度Mobilyze !,手机和网络干预包括生态和上下文感知的干预。
我们开发了一个手机应用程序和支持架构,在机器学习模型(即学习者)预测病人的情绪,情感,认知/动机状态,活动,环境背景下,和社会背景下基于至少38并发手机传感器值(如全球定位系统,环境光,最近调用)。网站包括反馈图说明患者的自述,之间的相关性以及教学法教学患者行为激活概念和工具。简短的电话和电子邮件与临床医生被用来促进依从性。我们招收8成人重度抑郁症在单臂试点研究接收Mobilyze !并完成8周的临床评估。
有前途的准确率(60%到91%)是通过学习者预测分类上下文状态(例如,位置)。州评级尺度(如情绪),预测能力较差。参与者满意的手机应用程序和自我报告的抑郁症状明显改善(β周= .82,
Mobilyze !是一个可伸缩的、可行的干预疗效的初步证据。据我们所知,这是第一生态瞬时单相抑郁症干预,以及第一个尝试使用上下文感知识别心理健康状态。一些经验教训对于技术功能,数据挖掘和软件开发过程进行了讨论。
Clinicaltrials.gov NCT01107041;由WebCite http://www.webcitation.org/60CVjPH0n http://clinicaltrials.gov/ct2/show/NCT01107041(存档)
重度抑郁症影响每年近7%的人口(
而心理治疗抑郁症可以有效
至少有两个广泛的治疗类组件可以通过移动电话。首先,这些平台提供机会提供互动工具,病人在自己的环境中。这些工具,有时被称为生态的干预(
其次,移动系统也有潜力应用机器学习技术,可以监视并学会识别病人的情况和状态。智能手机包含众多的传感器(如全球定位系统(GPS),蓝牙),可以提供病人状态和上下文的线索。智能手机也有能力进行生态的评估和让病人报告,或“标签”,他们的当前状态。机器学习或数据挖掘技术,可用于自动学习这两个数据来源之间的关系。这种关系是在所谓的“学习者”,可以用来开发个性化的病人仅仅从底层传感器数据的预测。一旦训练使用生态的评估数据,学习者可能识别病人州不断和被动,很少努力从病人。传感器对病人州将使context-appropriate临床反应(
几个这样的上下文感知系统已经开发和测试在移动医疗干预措施。英特尔移动心脏健康原型使用数据来源如基于移动电话的生态的评估和一个小的心电图仪传感器和加速度计来检测心率变异性的变化,活动,和情绪。如果达到个性化的阈值,移动电话提供了认知行为和正念技术旨在减少压力(
目前的研究旨在最大化移动干预目标的潜在抑郁症。我们开发了一个移动电话干预,叫Mobilyze !,that includes the capacity to deliver ecological momentary intervention. We also developed and piloted a context-aware system to identify participants’ location, activity, social context, mood, emotions, and cognitive/motivational states. The mobile intervention was supported by a website, which allowed access to lessons, tools, and graphical feedback on participants’ states. The intervention was supported by a manualized telephone coaching protocol [
现场试验的目的是评估技术可行性和可靠性,该系统的功能可靠性和可接受性。其次,我们测量抑郁症的结果,以及焦虑症状的变化由于频繁的共生与抑郁症。
这是一个单臂Mobilyze现场试验!,一个n 8-week multimodal intervention for depression, that included 1) mobile phone sensing and ecological momentary intervention, 2) an interactive website for behavioral skills training, and 3) email and telephone support from a coach assigned to each participant. The trial was approved by the institutional review board at Northwestern University (Chicago, IL, USA).
是通过在线广告招募的参与者场馆如Google AdWords和Craigslist。广告导演个人实验室的网页,感兴趣的个人完成一个在线过滤网和提供他们的联系信息。那些符合最初的标准安排电话面试资格和电子邮件的链接一个数字同意书。这次采访之初,员工讨论参与者同意书的每个部分,其中包括部分告知用户如何手机传感器数据收集,消除识别信息,使用,和存储。参与者的口头同意了。收到电子数码签署同意书之前还需要登记的审判。
入选标准是重度抑郁症的诊断使用telephone-administered Mini-International神经面试(
治疗模型是基于行为激活方法(
参与者完成了8周的Mobilyze !干预。报名参与者收到免费1)临时使用5800诺基亚触控手机的配件,成本研究每单位547.88美元,2)细胞的服务计划,包括语音信箱和无限的数据使用,分钟,声音和短信,通过t - mobile在每月50美元,每个参与者,和3)网站的登录凭证。手机也寄给参与者提供面对面的回升,根据参与者的偏好。干预结束后,手机被参与者通过预付费返回信封。
我们的环境敏感系统架构包括三个阶段
一个移动phone-driven上下文感知系统(OS =操作系统,SMS短消息服务)
在这个项目中,我们使用手机作为主要的传感平台。我们还利用面向服务的体系结构(
上下文数据获得来自38个传感器(见的集合
手机应用程序传输加密传感器数据安全的后端服务器,通过XMPP接口协议。后端服务器登录信息插入到数据库中。后端还传感器数据发送到服务器住房学习者,再次使用XMPP放贷后端更大的可扩展性。
让参与者定期的自我报告他们的州在电话里用生态的评估。传感器数据获得在这些时间搭配同时标记状态数据。使用带安全标签的数据时,生成个性化的预测模型是识别特定的用户从传感器状态值,包括位置、活动、社会环境和内部状态(如情绪、浓度)。对于每一个国家,一个机器学习算法生成一个participant-specific模型来预测未来状态从感知数据。机器学习算法丢弃无关的信息,不提高模型的预测价值,使用数据分区和平均连续状态和信息理论的信息增益和熵
决策树模型预测位置传感器值,产生一个研究人员的评级和传感器数据(可能识别信息已经修改)
每5分钟,手机应用程序发送电流,无标号传感器值后端。学习者利用这些传感器读数进行预测和推断出参与者的状态没有参与者的输入。因为我们依赖于面向服务的体系结构,预测状态可以用来实现上下文感知功能通过多个设备。作为预测的准确性无法确定试验前,预测只是用来显示当前预测国家的手机用户,而不是触发任何宣传或干预。
当参与者观看状态进入生态移动电话上的评估形式,预测他们的当前状态填充响应。消息在屏幕的底部,用橙色文本、日期和时间的通知用户生成预测的值。如果手机没有连接,用户最后的自我报告的国家被用来预填充反应,和一个绿色的消息表示日期和时间的用户标记这些之前的状态。
准确的预测需要培训的发展。参与者被要求定期每个上下文分类标签他们所在的州通过选择值从手机上的下拉菜单
具体来说,手机应用程序提示用户报告他们的当前状态每天5次或更多根据参与者的偏好。参与者也可以主动标签他们国家在任何时候。使用级李克特量表,参与者把他们的整体情绪,强度离散的情绪(ie,快乐,悲伤,愤怒,和焦虑),疲劳,快乐,成就感,浓度和接触,认为控制当前的活动。体力活动被评为分制评分。参与者选择位置选项包括各种公共和私人空间(例如,他们的家,一个朋友的家里,他们的办公室/办公桌,或一辆公共汽车/火车;看到
截图、生态的评估移动电话的位置
当参与者被提示输入他们的国家,他们的手机的应用程序保存当前值传感器。一旦参与者完成报告他们的国家,他们的反应与传感器数据和发送到后端服务器进行处理的学习者。
此外,本地存储使用的移动电话应用程序结合情绪评级进入在电话里与那些在网站上输入,因此,获得一个范围内,平均和标准偏差的心情。参与者收到的反馈使用这些值。例如,当一个用户的自我报告的情绪在她或他的典型的范围,一个消息将出现在手机设计上加强改进或建议使用一个工具(参见下面的网站)的情况恶化。其他本地数据被用来提供反馈等条件大幅改变参与者的情绪,因为他们之前的评级。
通过工具支持坚持治疗活动计划在网站上,参与者可以选择接收提醒手机之前预定开始时间。每个提醒之后,签入提示符后活动原定结束。如果用户表示,他们没有完成预定的任务,他们收到后续问题通过故障诊断功能。障碍完成任务(如缺乏动力的)每应对这些后续问题被确定,然后用户提供指导克服他们的具体困难。
网站的几个函数。它提供了一个媒介与参与者和教练可以想象状态数据输入到手机应用程序。它还包含一个接口允许教练查看病人的活动,包括登录、课程完成后,在电话里和状态标记。
在网站上,9说教的课程教的原则行为激活。经验可以通过电脑或手机。这些教训公布每周大约需要15分钟的时间来阅读。最初的教训包括在抑郁和心理教育培训的详细说明手机。后续课程教参与者如何监控日常行为对情绪的影响,进度积极活动,尝试新的反应痛苦的情况下,识别和改变避免模式(如沉思和拖延),并维持治疗后收益。每一堂课是搭配了一个交互式工具,为参与者提供机会应用治疗概念讨论的教训。例子包括一个活动日历的参与者可以监督和安排他们的活动,以及工具主要参与者通过参与每一步设计行为实验或制定量身定做计划取代回避行为和积极的应对行为。这些工具被设计在几分钟内完成,和参与者被要求使用当前周的日常工具。
交互式图形反馈工具显示数据从后端服务器,复制和重新格式化participant-labeled数据和并发传感器值。这些都是传播到Web服务器,托管干预网站以及自己的数据库。因此,参与者可以图其评级的情绪和其他主观经验,并探索这些评级是如何与他们的位置(见报告
图形反馈提供给用户在网站上(蓝色酒吧表示参与者报告手机的位置,每个位置报告的频率;绿线表示参与者的平均报道情绪在每个位置)
手册化电话辅导协议(
结果在基线评估,周4 (midtreatment),第八周(后处理)。参与者被补偿20美元为每个第一2评估和50美元的最终评估和返回的手机。通过电话采访措施管理,自我报告措施管理通过一个安全的在线问卷托管服务。
的telephone-administered Mini-International神经面试(
由本研究团队设计的半结构式访谈用来收集参与者的反馈关于干预组件。反馈也请求通过网络自我报告在每个评估,和教练训练课程过程中接收到的反馈记录。使用数据从手机传送到实验室的安全服务器通过加密,密码保护的隧道,从网站使用安全套接字层(SSL)。参与者登录到网站的次数计算通过考虑所有网站活动发生在同一小时内为对应于一个单一的登录。
个别病人学习者模型的准确性是评价试验后使用Weka的交叉验证
这个过程被重复9次,这样每个其他9次级样本是使用一次的验证集。估计模型的平均10准确率。接下来,偏差纠正和加速95%置信区间是围绕每个州的平均准确率在参与者,使用1000引导样品在SPSS 19(美国IBM公司,萨默斯,纽约)。使用回归树、状态预测精度计算,平均预测和实际值在参与者之间的相关性。
连续结果措施(即phq - 9、QIDS-C GAD-7)被建模与时间intent-to-treat基础上,使用混合模型进行反复的措施。这些模型被选中,是因为他们可以处理一定数量的非随机缺失的数据(
我们招收8参与者(7女性和1男)试验(见
流的参与者通过试验(QIDS =快速库存抑郁Symptoms-Clinician评级)
三个参与者(38%)被诊断患有广泛性焦虑障碍,但没有其他焦虑症,基线。另一个参与者(13%)被诊断出患有广泛性焦虑障碍和社交恐惧症,和2其他参与者(25%)被诊断出患有广泛性焦虑障碍、社交恐惧症,广场恐怖症没有恐慌症。
七个参与者完成了所有8周的参与,而1星期3中退出使用电话和网站由于技术问题。
平均8参与者训练手机15.3倍(8.3 SD)在第一周的干预,下降到9.0评级在第四周(SD 6.5),和4.8评级在第八周(4.6 SD)。参与者称他们会经常训练的电话,如果他们收到更多的提示标签他们所在的州。网络连接问题是遇到提示从Web服务器的数量减少到电话,和至少1 7治疗受试者没有收到生态的干预。试验过程中,我们纠正这个问题通过存储生态瞬时干预逻辑的日期/时间本地电话提示,手机本身。这种方式,参与者不需要连接接收提示培训电话或生态的干预。
8个参与者登录该网站平均的7.9倍和4.8完成9课的审判。网站使用可能是减少由于技术问题的一些工具和上半年推出新课程参与者的审判。
整个7治疗死亡者,位置的准确分类的平均利率为60.3%,引导95%可信区间43.2 - -77.2。其他分类变量很难比较参与者,作为单独的二进制模式创建为每个可用的类别。这是由于用户认可的能力超过1选项(例如,“朋友”和“家庭”可以同时占领的直接环境)。并不是所有的用户报告被某些类别,不同用户之间现有的模型。定州支持至少一次治疗死亡者中列出
的意思是机器学习模型的分类精度指标国家共同治疗死亡者(N = 7)
| 模型 | 意味着精度(%) | 95%可信区间一个 |
| 位置 | 60.3 | 43.2 - -77.2 |
| 独自在附近(Y / Nb) | 80.1 | 76.2 - -84.5 |
| 附近的朋友(Y / N) | 90.8 | 84.3 - -95.7 |
| 独自一人在更大的环境(Y / N) | 72.6 | 61.0 - -82.8 |
| 杂的人更大的环境(Y / N) | 90.9 | 83.8 - -97.3 |
| 在(Y / N)的随意交谈 | 66.1 | 54.0 - -77.6 |
| 不交谈(Y / N) | 64.5 | 58.4 - -70.3 |
一个偏差纠正和加速95%置信区间(CIs)使用1000引导样品。
b是的/不。
scale-based状态的模型并不令人鼓舞。所有这些国家的交叉验证相关系数为负。许多参与者回归树预测1特定值不管传感器数据。因此,乍一看一个期望的相关系数接近于零的所有参与者。然而,总体情绪评级被扭曲了(0.10 -0.49偏态,SE),这导致了平均值从培训折叠产生偏远,负偏差之间的预测和标记值high-labeled值时在场的验证数据集。相关系数是因此没有报告,因为它们有些误导;相反,scale-based状态模型的准确性应该概念化不比机会。
按方案临床结果显示在
按方案临床结果
| 变量 | 基线 | 星期4 | 第八周 | 张后科恩 |
| %与MDDb | 100% (8/8) | 28.57% (2/7) | 14.29% (1/7) | - - - - - - |
| 意味着phq - 9 (SD)c分数 | 17.13 (3.80) | 9.00 (4.47) | 3.57 (4.12) | 3.43 |
| 意味着QIDS-C (SD)d分数 | 13.75 (2.71) | 7.14 (3.89) | 3.43 (3.10) | 3.55 |
| 意味着GAD-7 (SD)e分数 | 15.50 (4.72) | 9.43 (4.04) | 6.43 (2.30) | 2.58 |
一个标准平均差除以平均基线和第八周SD。
b重度抑郁症的诊断Mini-International神经面试(
c病人健康Questionnaire-9 [
d抑郁症的快速库存Symptoms-Clinician额定(
e广泛性焦虑障碍7-item规模(
治疗后,治疗7死亡者认为满意的手机一般同意或不同意声明“我很满意它。“他们的平均评级为5.71 (1.38 SD)的规模1(代表强烈反对)通过7(代表强烈的协议)。参与者寻求技术支持的最常见的问题是失去连接,电池寿命短促,和电话冻结期间使用。连接困难进一步证明反馈措施;几位与会者表示他们从来没有提示电话培训。同样,我们收到的报告未能接收情绪预测和计划活动提醒。
尽管有这些困难,在教练的电话6 7治疗的受试者(86%)表示,干预是有助于理解会导致消极情绪和增加他们的识别能力和修改痛苦的行为和认知。两个参与者认为这些改进生态瞬时评估手机,虽然4这些参与者引用生态的评估以及网站。在面试反馈措施,1的参与者都表示接受情绪干预的预测是最有益的组成部分。另一个参与者表示,因为预测有帮助,她会喜欢继续使用手机应用研究结束后。参与者的建议包括延长干预和添加额外的功能,比如一个博客,消息传递与教练,或录音工具允许口头阐述培训电话时。
据我们所知,我们已经创建了第一个生态的干预和第一context-sensing系统萧条。虽然我们遇到了一些技术困难,患者使用Mobilyze !干预显示显著的临床改善和高水平的报告满意的干预。这个系统拥有更大的潜力提供一个全新的抑郁症治疗选择的能力来维持连续接触病人在他或她的环境中,识别病人的行为和状态,并相应地进行干预。当我们遇到许多挑战,也有许多教训,我们将在下面详细讨论。
我们将讨论以下问题,经验,和未来的方向。连通性和电池排水,我们遇到问题,可以通过更有效的移动应用程序的管理。上下文感知需要足够的user-labeled数据、准确和有意义的传感器数据,和适当的数据挖掘算法;我们确定了潜在的改进在这些地区。最后,我们的经验显示几个选项的临床效用最大化模型预测。
我们遇到很多技术问题相关电池排水和连通性。我们跟着XMPP规范要求连续接口之间的连接设备。因此,手机不断地寻找到后端服务器的连接。这加剧了电池消耗的手机应用程序,尤其是当网络连接是弱。一个潜在的解决是使用不同的底层网络协议。例如,我们可能已经能够实现相同的功能使用二进制短信而不是XMPP。然而,这将是一个更少的可扩展的解决方案,并不是所有的平台都支持这个特性。相反,我们将来会最小化这个问题通过装备应用程序与电池管理系统。此功能将会减少电话沟通与后端服务器当电池电量低或弱检测到网络连接。开发板载数据处理应用程序使用数据压缩和特征提取来减少的数量出货后端服务器也可能提高功率效率,可以延迟传输的传感器数据,不会立即需要手机充电的时候。
在未来,我们将探索更多的电池寿命最大化的方法。连续感应强加了一个“能源税。“应用程序管理数据采集的频率来说传感器如GPS可以提高电池寿命。采用循环技术,管理传感器的睡眠周期平衡感应频率和电池消耗,将促进技术效率(
生态瞬时中断连接有时阻止交付评估从后端服务器提示给用户,从而减少用户的频率训练有素的电话。在试验过程中发现这个问题,发生提示的日期和时间被生成并保存在本地电话;然而,参与者可能已经习惯于更罕见的标签。对于函数,不需要复杂的处理(如果执行耗尽电池电话),未来的应用程序应该争取尽可能多的独立连接,以确保更可靠的功能和减少电池消耗。
机器学习系统的最终目的是提供可操作的证据外展和其他定制的病人的交互。为此,我们的后续开发过程将关注这些semisequential阶段:1)增加user-labeled数据,在更多种类的情况下,2)改善传感器数据的准确性和效用,3)提高机器学习算法的准确性,和4)的临床效用最大化模型预测。下一节详细讨论每一个阶段。
我们的一个“已知的未知”是机器学习如何可以提取所需的模型类型的传感器收集的数据。这是一个未知的,因为有一个的user-labeled数据量不足,这导致了负相关系数scale-based状态。强化技术,如视频游戏行业的成功应用,可以增加用户标签的频率状态和减少离群值的影响。克里斯·贝特曼,著名游戏设计师,描述了不同类型的奖励激励继续使用游戏(
由于本研究的初步性质,模型精度评价回顾性和通过手工请求Weka软件。这个有限的能力进行生态的评估以自适应的方式,将提高每个用户的特定模式。我们的软件将Weka适应接口,这样整个试验精度自动监控。准确测量将用于指导生态的评估,用户可以查询更多的州,他们的模型更准确。坚持生态的评估过程可以增强沟通准确测量或改善用户,这样用户可以在培训电话跟踪他们的进展。可以将这种强化概念化为“完整性”,一些用户动机是追求完美的分数(
除了一个不足数量的带安全标签的数据时,这些数据并没有表现出变化在整个范围的测量。这可能发生原因有几个。用户可能没有火车模型跨整个组环境由于微分水平的便利或社会规范关于使用手机。低变异性的另一个可能性是,实际上是小变化在某些州,至少可以通过Mobilyze !生态的评估。
在一个消息灵通的方法中,使用的可变性user-labeled州建设每个模型可以被用来评估是否可以提高用户体验。率、灵敏度和质量的用户提示能做出相应调整。例如,用户可能会提示您完成一个“寻宝游戏”和培训电话当以前不变状态改变时(例如,一个用户一直报道久坐不动的状态可以特别提示列车模型下次他们更活跃)。状态标签查询也可以调整为更大的敏感性。这样可以自动适应发生在应对变化的个体差异。例如,如果一个人总是被报道在家里,可以改变位置的查询允许规范的特定房间回家了。同样,很可能有更多的变量状态给定用户独有的(例如,用户可能报告相对静态的整体情绪,但经验体细胞抑郁症的症状各异)。在未来,Mobilyze !系统将允许用户创建国家量身定制。事实上,一些参与者在这个试验表明Mobilyze ! ecological momentary assessment did not query all the states they believed to be important. Finally, automated checks on label skewness can be used to encourage users to label their states more often when they are experiencing underreported values.
准确的上下文感知从根本上依赖于传感器数据的质量和特性的质量来自传感器数据。我们的经验告诉我们,传感器数据往往是不准确的,或者技术上准确但误导。例如,环境光传感器值比报道的最大意义的价值,和看似矛盾的产生的加速度计数据删除或电话时摆动,因为它是在一个袋子里。功能预测,原始传感器数据首先应准确的从技术的角度来看,然后,如果可能的话,被操纵来提取特征描述更可行的,有意义的数据(
Mobilyze !生成2的GPS数据集。一套包括GPS数据采样每5分钟,提供用户有足够的通信连接,使GPS探测。这组不包括在哪些用户训练的模型实例。第二,小得多的GPS数据由GPS数据的物理位置,用户标记他们的位置。
准确的数据在两个数据集是至关重要的是出于不同的原因。标签使用GPS数据生成模型,设计比较准确的数据和准确的标签。如果这些数据被破坏,模型本身变得不可靠。第二,无标号GPS数据集将最终被用来发射干预。如果这些数据是不准确的,干预可能会在不恰当的时间触发。鉴于其完整性,无标号数据集还可以提供高分辨率的角度的准确性GPS应答器和用户的日常GPS轨迹。
以下部分描述技术我们用来清洁和理解GPS数据事后。用适当的工程,然而,这些技术可用于实时场景。没有一个清洁技术和格式化数据可能会有效地解决所有问题,应该使用多种方法相结合的策略来提高精度。对于这个描述的目的,我们将使用一个项目工作人员提供的位置数据由于她确认她的位置和旅游模式的能力。她的GPS数据导出到锁眼标记语言(定义地理路径信息)的标准方法,展现在谷歌地球场景视频上。
几次数据反映明显不可能的场景,描绘GPS实际值15英里远的在用户所报告的立场。值不可能基于在用户所报告的地理位置可以被排除在外。例如,我们删除任何值,描述了员工在身体的水,她一旦证实从未在水面上。在未来,现实世界的地理信息系统和商业数据库可用于自动化这个过程。为例,对地貌GPS数据可以相比,用户可以查询确认不可能的场景(例如,全球定位系统(GPS)表明用户在一个偏远的地区人口密度非常低,在山上,或身体的水)。
其他未来技术可以排除GPS点,建议用户遍历一个大于可能的距离在一个特定的时间(例如,> 70英里/小时)。在这里,无标号数据可以用来清洁标签数据。坐标标记之前或之后获得的GPS坐标标记可用于计算隐含速度。长远来看,这将是一种利用实足GPS数据来帮助学习者。这种技术也可以预防干预基于可能的GPS数据,无论用户最近标记他们的州。
一些数据错误可能是由于有限的解决GPS应答器,这可能导致GPS坐标不准确但相对接近用户的实际位置。基于观测数据报告的手机平台,GPS数据是准确的在某些情况下8 - 15 - m抗议2近似解析(如果边界情况删除)。这个范围可能并不总是有效的可操作的,而统一扣除可能值可能不是最好的解决方案。特征提取可以救助一些GPS数据。
例如,用户可能要求预先确定的地理意义的地方或高频(“热点”)的开始干预使用免费的地理信息系统数据库。一组坐标会是预定义的,除了原始GPS数据,“distance-from-hot-spot”功能可以添加增强GPS数据的质量。例如,用户可能在家里,但GPS数据波动半径50米内的“家”热点。计算距离的功能将包括热点。进一步,如果这个距离是手机估计分辨率范围内,可以定义二进制特征表明,用户很可能会在家里。
传感器也可以定义用户的物理轨迹。通过存储一组最近在外部数据集,记录GPS位置空间模型可以描述一条最佳估计用户的轨迹。这个最佳线可以用来生成一个特性的估计GPS坐标。这可能特别有用处理缺失数据点发生当电话无法获取GPS数据由于连接问题。
许多其他功能可以设想。新功能可以构建基于传感器之间的相互作用或预测所产生的其他模型。后者的一个例子,一个人在家和可能易患抑郁症,虽然和朋友在家,可能预测积极情绪。因此,预测位置之间的互动和关系在环境中可以插入到模型预测的心情。也有使用数学函数的组合来自动提取的算法特性从原始传感器数据集,并选择基于它们对学习者的影响或删除功能精度(
虽然分类的准确性州是有前途的,scale-based状态模型的准确性是可怜的,值得进一步讨论。scale-based状态模型的进一步检查,似乎至少3的方法其准确性可能直接改善。首先,转换可以使用正常化之前user-labeled评级模型生成的分布和精度测试。第二,回归树修剪可以选择性地禁用。关于这个选项,我们发现事后,当回归树生成没有修剪,模型更有可能包括传感器值而不是预测一个恒定值,忽略了传感器数据。第三,系统应该改进的更普遍的使用整体方法。例如,引导或选择性权重可以应用于标签传感器数据,生成多个新的训练数据集(
我们无法预测的精度用户的状态将在这一领域的预测试验,预测并没有用于触发干预;相反,他们只是显示给用户。一旦模型满足特定精度基准,未来的研究将更充分地将它们整合到临床应用。利用移动平台的潜在好处,我们将反复检查反馈和推广的方法。例如,如果服务交付建议使用一个特定的工具,前和后情绪评级可以用来评估其成功的用户上下文。实验设计也可以用来评估的影响更为复杂的形式的反馈。我们有进一步发展Mobilyze !网站,这样它可以显示在谷歌地球上GPS传感器读数。我们的目标是创建一个“情绪地图”,所有用户的GPS坐标标记他们的情绪将会显示为彩色的点。这些点是颜色编码传达情绪评级每一点,这样用户可以更好地可视化物理位置的影响他们的情绪。
当我们开始设计这个项目在2008年底,诺基亚的塞班操作系统和安卓操作系统的多任务是我们唯一的选择手机平台。似乎更谨慎的选择塞班系统由于其更长的历史和成熟的平台,而Android刚刚被部署在2008年10月。然而,到2010年,Android成为美国最常购买的系统(
虽然我们已经学会了很多从这个初始开发企业,我们也发现挑战不可能的数量管理单个项目的范围内。这些挑战包括跨学科专业技能来处理收集到的数据和时间投资,确保生态的干预和网站的基本功能组件。投资的努力进入其他干预组件导致有限资源调查无数技术可以用来清洁和提高传感器数据的格式或者机器学习方法。目前的计划是继续研究和开发在一个序列,从改善没有任何状态预测的临床干预或网站。临床干预组件将被添加在机器学习组件功能充分。
当前的审判不包括一个控制条件。一旦Mobilyze !精制如前所述,是一个随机对照试验将被用来确定临床改善可以归因于Mobilyze !而不是回归到平均水平或其他混杂因素。此外,Mobilyze !是一个多级干预包括更传统的互联网行为干预方法(ie,说教的课程练习),指导,生态的评估,生态的干预。的阶乘设计需要隔离的每个组件的具体贡献Mobilyze !(
这个实验证明了可行性,吸引力和潜在疗效的新范式为移动干预针对抑郁症。网站交付行为技能训练,而手机自我监控提供了定制的实时反馈和干预。我们最初的经验建议的可行性和实用程序上下文感知系统使用手机感应功能。我们已经描述了许多经验教训和区域持续发展。
Mark Weiser无处不在的计算的父亲,写道:“最深刻的技术是那些消失。他们编织的织物日常生活,直到他们无法区分。”(p。94)。一个上下文感知系统,可以感觉到一个人的行为和状态,加上一个治疗平台,积极加强适应性行为,可以提供支持改变那些导致抑郁,有潜力为心理健康干预提供一个全新的模型。
这项研究是由国家精神健康研究所资助R34 MH078922 David c .莫尔博士。
没有宣布
所有电话收集传感器数据的列表
广泛性焦虑障碍7-item规模
全球定位系统
病人健康问卷调查
快速抑郁Symptoms-Clinician额定的库存
短消息服务
可扩展消息传递和到场协议