Mejoras en el reconocimiento de actividades con redes neuronales para terapias de salud mental

Abstract

Hoy en día, gran cantidad de aplicaciones móviles emplean información contextual del usuario para su funcionamiento, como, por ejemplo, su ubicación o actividad. En el campo de la salud mental, esta información contextual es vital para el tratamiento de trastornos mentales, pero ésta no siempre puede obtenerse con los requisitos de precisión y frecuencia requeridos |los cuales pueden variar mientras se obtienen los datos| empleando los sistemas básicos de los dispositivos móviles. En este documento se muestra el trabajo desarrollado en el contexto del proyecto SyMptOMS, el cual investiga la capacidad de los dispositivos móviles para ser utilizados con aplicaciones psicológicas para pacientes con problemas de salud mental. El trabajo ha consistido en el desarrollo de un sistema de detección de actividades sensible al contexto para la monitorización y seguimiento de pacientes con trastornos de salud mental mediante el framework de desarrollo multiplataforma NativeScript, aunque la implementación en sistemas iOS queda fuera del alcance de este trabajo. Este sistema permite emplear los mecanismos de reconocimiento proporcionados por el sistema operativo Android, los cuales trabajan a una determinada frecuencia de reconocimiento y con actividades limitadas, lo cual no es su ciente para la monitorización de los pacientes. Para solucionar esto, el sistema permite utilizar un sistema propio basado en una red neuronal, el cual presenta una mayor frecuencia de reconocimiento y es capaz de identi carcualquier tipo de actividad siempre que haya sido previamente entrenada. Además, el sistema es capaz de emplear estos sistemas en función del contexto del usuario, pudiendo ajustarse mejora los requisitos de monitorización del momento. El funcionamiento del modelo de predicción propio y del sistema se ha comprobado simulando un caso de uso de un paciente con agorafobia, con el objetivo de que el sistema seleccionase el mecanismo de reconocimiento más adecuado según la información contextual. Los resultados muestran como el modelo de predicción presenta buenos resultados tanto con datos de prueba como con datos reales, y como el sistema sensible al contexto emplea los distintos sistemas de reconocimiento en función del contexto del usuario según se ha con gurado el sistema.

Nowadays, a large number of mobile applications use contextual information for their operation, such as user's location or activity. In the eld of mental health, this contextual information is vital for the treatment of mental disorders. However, this information cannot always be obtained with the required precision and frecuency requirements |which may vary while the data is being gathered| using the systems provided by the mobile devices. This document shows the developed work in the context on the SyMptOMSproject, which investigates smartphones' capabilities to be used for psycological applications for patients with mental disorders. The performed work consists of the development of a context aware activiry detection system for the tracking and monitoring of mental disorders patients. The system has been developed using the multiplatform developement framework NativeScript, although the iOS implementation is out of the scope of the work. This system allows to use the provided recognition mechanisms by the Android operative system, which work at a determined recognizement frecuency and with limited activities. This is not enought for patient tracking. To solve this, the system allows to use an own neural network based system, which has a higher recognizement frecuency and is able to identify any kind of activity as long as it has been trained. Moreover, the system is able to use these systems based on user's context, adapting itself to the tracking requirements in each moment. The performance of the own model and the system has been tested by simulating an use case of an agoraphobia patient, with the objective that the system employed the most suitable recognition mechanism based on contextual information. Results show that the prediciton model has good results both with test data and with real data, and that the context aware activity detection system uses the reconizing systems based on the user's context according how the system has been con gured.