Classification of patients with depression and healthy controls based on behavioural patterns acquired from smartphone sensor data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021-08-23
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
84+7
Series
Abstract
Mental health disorders comprise one of the highest burdens of disease in the world, and therefore it is important to use effective prevention methods and improve the treatment of patients. Digital phenotyping is a new field of study which uses data from wearable and consumer devices to find new behavioural markers and phenotypes. This thesis uses the data from a digital phenotyping study with patients with depression and healthy controls to find behavioural markers for depression. Different methods such as, calculating the correlation between the mood of the subjects and the smartphone data, k-means clustering, classification using linear discriminant analysis and a decision tree classifier, and kh-segmentation, were used for this purpose. A correlation between patient mood and behavioural changes was found. The classification of patients and controls ranged with an accuracy of 0.74-1.0 using the linear discriminant analysis and decision tree classifier, which is satisfactory considering the small sample size. The kh-segmentation method is a valid tool to be used in future research.\\Psykisk ohälsa utgör en av de största sjukdomsbördorna i världen. Därför är det viktigt att använda effektiva förebyggande metoder och förbättra behandling av patienter. Bestämning av digitalfenotyp är ett nytt studieområde där bärbara- och konsumentenheter används för att söka efter nya biomarkörer och fenotyper. Denna avhandling använder data från en digitalfenotypstuide bestående av patienter med depression och friska kontroller för att hitta beteendemarkörer för depression. Olika metoder så som att, beräkna korrelationen mellan försökspersonernas humör och smarttelefondatan, k-medelkluster, klassificering med linjär diskriminantanalys och beslutsträdsinlärning, och kh-segmentering användes för detta ändamål. Ett samband mellan patientens humör och beteendemässiga förändringar hittades. Klassificeringen av patienter och kontroller med hjälp av linjära diskriminantanalysen och beslutträdsinlärningen hade en noggrannhet på 0,74-1,0, vilket är tillfredsställande med tanke på den begränsade provstorleken. För framtida forskning är kh-segmentering ett giltigt verktyg.Description
Supervisor
Gionis, AristidesThesis advisor
Aledavood, TalayehKeywords
machine learning, digital phenotyping, behavioural patterns, mental health