TREATISE-B: a toolbox for exploratory analysis of behavioral time series
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
67+11
Series
Abstract
Human mood undergoes fluctuations of various time scales in response to the intrinsic and extrinsic factors and stressors. Disturbed mood fluctuations characterize mood-related disorders, such as major depressive disorder. Due to this, mood fluctuations are used to indicate changes in a subject's mental state. The assessments of the subject's moods should be conducted frequently to capture the fluctuations. The simplest way of assessing the subject's mood is by surveys or questionnaires. However, these methods are prone to recall bias and low adherence. To alleviate these problems, several passive sensing methods have been developed, including passive sensing using digital devices. This method provides behavioral and social interaction data and physiological data that could potentially be used to infer and predict a subject's mood. Yet, the analysis of mood dynamics is challenging due to individual differences and variability. Furthermore, the interactions between the mood, behavioral, and physiological measurements are still not well understood. As there are no readily available tools to explore and understand these interactions, we created TREATISE-B: a toolbox for exploratory analysis of behavioral time series. The focus of this thesis is to present the implemented toolbox and evaluate its suitability for the analysis. The toolbox was tested with two data sets containing multimodal longitudinal data. The tests revealed changes in behavioral data and discontinuities in physiological data co-occurring during periods of high stress and negative mood. We also observed high variability in the collected data between the subjects. The results suggest that the toolbox and implemented methods are a suitable option for exploratory analysis. Furthermore, the toolbox may serve as an initial stepping stone for future research, facilitating the data analysis phase by reducing the time needed for programming. Further analysis of the discovered anomalies and discontinuities may shed some light on the mood dynamics and the mechanics behind the mood disorders. The findings may also help feature selection for machine learning applications predicting the mood from passively sensed behavioral data. This information would also be helpful for early warning sign detection, which can be used to predict and prevent mood disorder onsets and relapses, which may be beneficial for improving current psychological treatments.Ihmisen mieliala vaihtelee reaktiona sisäisiin ja ulkoisiin stressitekijöihin. Häiriöt mielialan vaihtelussa liittyvät häiriöitiloihin, kuten vakavaan masennukseen. Tämän vuoksi mielialan vaihteluita käytetään henkisen tilan muutoksen indikaattorina. Mielialan havaintojen poiminnan tulisi olla riittävän usein toistuvaa, jotta mielialan vaihtelut kyetään havainnoimaan. Yksinkertaisin menetelmä mielialan havainnointiin on kyselytutkimus. Tämä menetelmä ovat kuitenkin altis muistiharhoille ja puuttuville vastauksille. Näiden ongelmien lievittämiseksi on kehitetty useita passiivista havaintojen keruuta hyödyntäviä tunnistusmenetelmiä. Passiivinen havaintojen keruu digitaalisten laitteiden avulla tarjoaa tietoa koehenkilön käyttäytymisestä, sosiaalisesta vuorovaikutuksesta ja fysiologiasta. Näitä tietoja voidaan käyttää koehenkilön mielialan määrittelemisen ja ennustamisen apuna. Mielialan vaihtelun dynamiikan analysointi on haastavaa yksilöllisten erojen vuoksi. Tämän lisäksi, mielialan, käyttäytymisen ja fysiologisten mittausten välisiä vuorovaikutuksia ei vielä tunneta riittävän hyvin. Vuorovaikutusten ymmärtämisen lisäämiseksi tutkimme kartoittavia aikasarjojen analyysimenetelmiä. Koska mielialan vaihtelun analysointiin ei ole olemassa helposti saatavilla olevia ohjelmistoja, kehitimme TREATISE-B: työkalupakin tutkivaa behavioraalidata-analyysia varten. Opinnäytetyön painottuu kehitetyn työkalupakin esittelyyn ja sen arviointiin. Työkalupakki testattiin kahdella monimuuttuja-aikasarjoja sisältävällä datalla. Testiprosessi paljasti poikkeamia käyttäytymiseen liittyvissä aikasarjoissa ja epäjatkuvuuksia fysiologisissa aikasarjoissa. Nämä poikkeamat ja epäjatkuvuudet esiintyvät samanaikaisesti korkean stressitason ja negatiivisen mielialan kanssa. Havaitsimme myös merkittävää vaihtelua mitatuissa havainnoissa koehenkilöiden välillä. Testauksen tulokset viittaavat siihen, että työkalupakki ja toteutetut menetelmät soveltuvat kartoittavaan analyysiin. Toteamme, että työkalupakkia voidaan käyttää lähtökohtana tulevassa tutkimuksessa. Työkalupakin käyttö vähentää ohjelmointiin kuluvaa aikaa, nopeuttaen täten datan analysointivaihetta. Löydettyjen poikkeavuuksien ja epäjatkuvuuksien jatkoanalyysi voi auttaa ymmärtämään mielialan vaihtelun dynamiikkaa ja mielialahäiriöiden taustalla olevia tekijöitä. Nämä havainnot voivat myös auttaa piirteenvalintaa mielialaa passiivisesti kerätystä havaintoaineistosta ennustavissa koneoppimissovelluksissa. Tämän lisäksi nämä tiedot voivat olla hyödyllisiä varhaisvaroitusmerkkien havaitsemisessa, sekä mielialahäiriöiden puhkeamisen ja uusiutuminen estämisessä.Description
Supervisor
Saramäki, JariThesis advisor
Hoyos, AnaKeywords
mood fluctuation, exploratory time series analysis, Behavioral data, toolbox