Automatic human mental health assistant: A study for stress recognition from passive sensor data

İnsanlar arasındaki stres seviyesi yıllar geçtikçe artmakta ve cep telefonlarından ya da diğer yaygın cihazlardan gelen pasif algılayıcı verileri, zihinsel sağlık gözlemi uygulamalarında yerini bulmaya başlamıştır. İnsanların daha iyi bir zihinsel sağlığa sahip olmalarına yardımcı olan otomatik bir insan zihinsel sağlık asistanı oluşturma hedefiyle, stres tanıma modeli oluşturularak bir adım atılmaktadır. Daha önceki çalışmalarda, araştırmacılar sensör verileri ve zihinsel sağlık durumları arasında korelasyon bulmuş ve kullanıcının stres seviyesini tahmin etmeye çalışmışlardır. Zihin sağlığı ile herhangi bir sensör verisi arasında doğrudan bir bağlantı olmadığı için, çoklu sensörler ve zihinsel sağlık ile ilişkileri ortaya çıkarmak için Makine Öğrenimi algoritmaları kullanılmıştır. Önceki çalışmalarda tahmin için kullanılan Makine Öğrenme algoritmaları, sıralı olmayan verilerle çalışıyordu, bu nedenle araştırmacıların, geçmiş sensör verilerini temsil eden öznitelikleri anlık çıkarmaları gerekir. Bununla birlikte, çıkartılan öznitelikler bir zaman verisi dizisini tamamen temsil edememektedir. Bu çalışma kapsamında, sıralı (zaman serisi) verilerini girdi olarak kabul eden ve farklı uygulamalarda istisnai performanslara ulaşan LSTM, CNN ve CNN-LSTM algoritmalarının, insan zihinsel stresini tahmin etmek için pasif cep telefonu sensörü verilerinde çalışabileceğini gösterdik. Modelin, üniversite öğrencilerinin pasif mobil algılama verilerini içeren StudentLife veri setindeki performansı, LSTM modeliyle 800 örnekle eğitilerek 460 test örneğinde %62,83 doğruluğa ulaşılmıştır. Verilerin çeşitliliği ve boyutu çok küçük olduğu için LSTM modeli küçük örneklem boyutu ile eğitilerek genelleme yapamamıştır. Her ne kadar karmaşık öznitelikleri uyarlamamış olsak da, sonuçlar ilk aşamada umut verici gözükmekte, veri boyutunu geliştirmemiz ve bu konuda araştırma yapmaya devam etmemiz yönünde bizleri teşvik etmektedir.