基于签名的机器学习模型用于双相情感障碍与边缘型人格障碍
摘要：手机技术为健康状况的更高分辨率监测提供了机会。这个机会似乎在精神病学中尤其有前景，因为诊断往往依赖于对情绪状态的回顾性和主观性的回忆。然而，从这些相当复杂的时间序列中获取可操作的信息是具有挑战性的，目前对临床护理的影响主要是假设性的。这项研究表明，在选择良好的队列（双相障碍、边缘型人格障碍和对照组）和现代方法的情况下，有可能客观地学习识别在短期内（20次报告）有效分离各个队列的独特行为。患有双相障碍或边缘型人格障碍以及健康志愿者使用定制的智能手机应用每天进行情绪评定，最长持续一年。基于评估的不同情绪指标之间的相互关系，并预测后续情绪，使用了基于签名的机器学习模型对参与者进行分类。与之前应用于这些数据的统计方法相比，签名方法在区分参与者三个组的能力上显著优越，根据他们的报告将75%的参与者清楚地归为其原始组。所有组中的后续情绪评定都以70%以上的准确率进行了正确预测。与双相障碍（82-90%）和边缘型人格障碍（70-78%）相比，对健康志愿者的情绪预测最准确（89-98%）。
作者：Imanol Perez Arribas, Kate Saunders, Guy Goodwin and Terry Lyons
论文ID：1707.07124
分类：Machine Learning
分类简称：stat.ML
提交时间：2019-05-03