AI předvídá stres u studentů na základě senzorů mobilních telefonů

Vysokoškoláci vedou stresující životy. Kromě studijních úkolů a mimoškolních aktivit, řeší například i žádosti o zaměstnání, a to všechno živí stres. Bohužel pro ně jsou negativní účinky stresu na zdraví dobře zdokumentovány. Vědci z University of Computer Science na University of Massachusetts se obrátili na AI, aby pomocí chytrých zařízení studentům pomohli.

 

Magazín

 

Stres může způsobit kardiovaskulární onemocnění, ovlivnit paměť a poznávání a dokonce potlačit imunitní systém. Vědci z University of Computer Science na University of Massachusetts se obrátili na AI, kterou používali k předpovídání úrovní stresu, a to z dotazníků a smartphone senzorů. Uvádějí, že jejich model dosáhl nejmodernějšího výkonu a dosáhl 45,1% zlepšení ve srovnání se základní hodnotou v souboru údajů o vzorcích spánku studentů, činnosti, konverzaci, umístění, informací o duševním zdraví (jako jsou úrovně stresu) a dalších.

 

Čas klinických aplikací

S rostoucí popularitou nositelných zařízení, schopnost využívat fyziologická data shromážděná z těchto zařízení k předpovídání duševního stavu nositele, jako je nálada a stres, naznačuje možnost skvělých klinických aplikací. Takový úkol je však nesmírně náročný. Díky indukci vysoce kvalitních robustních senzorů v nositelných zařízeních, jako jsou Fitbit, Apple Watch a smartphony, se stal cenově dostupný sběr fyziologických a behaviorálních dat s přiměřenou přesností.

Výzkumný AI systém - síť pro více osob LSTM Multitask Auto-Encoder Network, neboli CALM-Net - považuje data za časové řady (tj. pořízené v po sobě jdoucích rovnoměrně rozložených bodech v čase) a může identifikovat časové vzorce v nich obsažené. Kromě toho nabízí možnost přizpůsobit modely a začlenit informace o časových řadách, což zvyšuje výkon s rostoucím počtem studentů. A vyváží a měří věci jako den v týdnu, hodnocení spánku, trvání spánku a čas do dalšího termínu přiřazení.

 

 

AI versus časová řada

Korpus, na kterém byl model trénován, byl veden v Dartmouthu a byl podporován aplikací pro Android. Každý den po dobu 10 týdnů zaznamenávala stresová data od 48 studentů ve formě momentálních hodnocení (tj. odpovědi v reálném čase na dotazníky), které spárovala s pasivními snímacími údaji, jako je aktivita (chůze, běh), zvuk (ticho, hlas, hluk), úroveň nabití telefonu a stav zámku telefonu, a to každých 10 sekund.

V testech se CALM-Net zlepšila výkonem pomocí dvou nejmodernějších modelů, se kterými byla srovnávána. Vědci se domnívají, že to byl přímý výsledek její schopnosti považovat data za časové řady. Schopnost CALM-Net začlenit granulární časové informace spolu s architekturou, která je schopna dešifrovat personalizované vzory pro každého studenta bez nadměrného vybavení, přispívá k její vysoké výkonnosti. Tento přístup zlepšuje výkon všech hodnocených modelů, což ukazuje, že stresové indikátory lze obecně lépe modelovat pomocí personalizovaných vrstev.

 

 

Připravil: Radek Svoboda