AI通过电话传感器和问卷数据预测大学生的压力

大学生过着紧张的生活。他们有完成和课外活动的任务,更不用说准备考试和提交工作申请。对他们来说不幸的是,压力的负面健康影响已被充分证明。如果不及时治疗,它会引起心血管疾病,影响记忆和认知,甚至抑制免疫系统。

为了帮助超出社会和学术压力的超大贡献者,马萨诸塞大学计算机科学学院的研究人员转向人工智能,用于预测压力水平 - 低于中位数,中位数或高于中位数 - 来自问卷和智能手机传感器数据。他们报告说他们的模型达到了最先进的性能,与学生睡眠模式,活动,对话,位置,心理健康信息(如压力水平)数据集的基线相比,获得了45.1%的改善,以及更多。

他们在预印本服务器Arxiv.org上发表的论文(“深度多任务网络的个性化学生压力预测”)中描述了他们的工作。

“随着可穿戴设备的日益普及,能够利用从这些设备收集的生理数据来预测佩戴者的精神状态,例如情绪和压力,这表明了很好的临床应用,但这样的任务极具挑战性,”共同作者写道。“通过在Fitbit,Apple Watch和智能手机等可穿戴设备中引入高质量的强大传感器,以合理的准确度高效收集生理和行为数据已经变得可以承受。”

研究人员的AI系统 - 跨个人活动LSTM多任务自动编码器网络或CALM-Net--将数据视为时间序列(即,在连续的等间隔时间点拍摄),并且可以识别其中包含的时间模式。此外,它还能够个性化模型并整合时间序列信息,从而随着学生人数的增加而提高绩效。它可以推断和测量诸如星期几,睡眠等级,睡眠持续时间和下一个分配截止日期的时间。

模型训练的语料库 - 学生生活 - 在达特茅斯进行,并由Android应用程序提供便利。在为期10周的每一天中,它以生态瞬时评估的形式(即对问卷的实时响应)记录了来自48名学生的压力数据,并与活动(步行,跑步),音频等被动感知数据配对。 (静音,语音,噪音),手机充电水平和手机锁定状态通常为每10秒钟一次。

在测试中,CALM-Net改进了它所比较的​​两种最先进模型的性能。研究人员推测这是其将数据视为时间序列的直接结果。他们写道:“CALM-Net融合精细时态信息和高级协变量的能力,以及能够为每个学生解读个性化模式而不会过度拟合的架构,有助于提高其性能。”“[这种方法]改善了所有评估模型的性能,表明压力指标通常可以使用个性化层进行更好的建模。”