改进mHealth微干预对于应对压力的参与度和效果:野外研究
本文探讨了移动健康干预技术(mHealth)中的即时自适应干预政策,包括专家提供的政策以及基于历史数据的干预政策效果估计,并提供了一个估计器和置信区间,以评估这类政策在长期内是否能提高健康结果。
Dec, 2019
本文在探讨如何解决数字治疗中患者面临的自我报告过多问题。通过引入游戏化因素和基于PPG信号的认知负荷检测技术,研究发现可以减轻患者的认知负荷,提高患者对数字治疗的参与度。
Feb, 2023
利用可穿戴生物信号数据开发了一种多模式个性化应激预测系统,使用自监督学习模型进行预训练,并在少量注释数据下优于非自监督学习模型。该模型具有个性化的预测能力,可应用于使用复杂多模态数据流进行各种周期性健康事件的个性化预测。
Jul, 2023
使用穿戴设备收集的生物信号数据进行压力预测,通过个性化的自监督学习方法,基于神经网络模型实现了较少标注数据即可达到等效结果,从而辅助移动感知技术在诸如压力等复杂、异质和主观主题上精准度健康评估系统。
Aug, 2023
智能手机的问题使用对身心健康产生了负面影响,然而现有的说服技术不足以根据用户的身体状况和心理状态提供灵活的说服内容。我们通过调查研究,首先总结了导致智能手机问题使用背后的心理状态:无聊、压力和惰性,从而设计出了四种说服策略:了解、安慰、唤起和支持习惯。我们利用大型语言模型 (LLMs) 实现自动和动态生成有效说服内容的能力,并开发了一种名为MindShift的新型LLM驱动的智能手机问题使用干预技术。MindShift接受用户的即时身体状况、心理状态、应用使用行为、用户目标和习惯作为输入,并生成适当的说服策略的高质量和灵活性强的说服内容。我们进行了为期5周的实地实验 (N=25),将MindShift与基准技术进行了比较。结果显示,MindShift使干预接受率提高了17.8-22.5%,智能手机使用频率降低了12.1-14.4%。此外,用户的智能手机成瘾程度显著下降,自我效能感提高。我们的研究为在其他行为变化领域利用LLMs进行上下文感知的说服提供了启示。
Sep, 2023
每日监测的紧迫性与重要性日益凸显,本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法,并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示,利用脉搏波图和环境信息结合的随机森林分类器,F1得分可达到70%,较仅使用脉搏波图的56%得分更为显著。
Dec, 2023
这篇论文介绍了CAREForMe,一个用于心理健康的上下文多臂赌博(CMAB)推荐框架,通过上下文感知、个性化和模块化设计,利用移动传感和在线学习算法与用户聚类能力相结合,提供及时、个性化的推荐,既作为可定制的推荐框架引导未来研究,又作为协作平台促进跨学科在mHealth研究中的贡献。通过在不同平台(如Discord、Telegram)上实施和对不同推荐功能进行定制,展示了CAREForMe的多功能性。
Jan, 2024
本研究通过提供一种开创性的压力检测算法,并借助自动化聊天机器人技术进行实时支持,以帮助解决雇员未意识到心理健康问题的挑战。研究探索了将这些创新融入实际学习应用于实际环境中的可行性,并引入了一个集成到整体员工体验平台的聊天机器人系统,以提升员工的整体福祉、实时检测压力并积极参与个体以提高支持效果,早期提供援助可带来 22% 的增长。总的来说,本研究强调了为雇员的心理健康营造一个支持性的工作环境的重要性。
Feb, 2024
本研究介绍了一种基于传感器和上下文信息的增强应激学习算法,利用智能手表和智能手机的Photoplethysmography数据进行强化压力检测,提高压力检测的效率和准确性。
Jul, 2024
本研究针对大学生普遍存在的心理健康问题,提出了一种基于大型语言模型(LLM)和行为模式集成的个性化AI日记的新方法。研究表明,MindScape应用在增强积极情感、减少负面情绪和孤独感方面显著有效,为校园心理健康干预提供了新的思路和工具。
Sep, 2024