基于生活日志的情緒識(shí)別

王鵬宇，張 敏，馬為之，劉奕群，馬少平

(1. 清華大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)系，北京 100084；2. 清華大學(xué) 人工智能研究院，北京 100084；3. 清華大學(xué) 北京信息科學(xué)與技術(shù)國家研究中心，北京 100084)

0 引言

抑郁癥已經(jīng)成為威脅當(dāng)代人精神和生理健康的重要因素。其不僅是導(dǎo)致精神障礙和自殺的主要原因之一，而且還與某些生理疾病相關(guān)。調(diào)查和分析[1]表明，抑郁癥與生理疾病(如中風(fēng))的發(fā)病率和死亡率風(fēng)險(xiǎn)的顯著增高有一定的相關(guān)性。因此，如何有效防治抑郁癥已經(jīng)成為現(xiàn)代醫(yī)學(xué)一個(gè)重要的課題。

目前對于抑郁癥的診察和治療手段主要側(cè)重于對患者的確診和治療，而缺乏對于潛在抑郁癥用戶的檢測手段。由于用戶對情緒傾向的自檢不一定準(zhǔn)確，潛在抑郁癥用戶并不容易察覺自己的情緒狀況。此外，缺乏對患者情緒的實(shí)時(shí)監(jiān)測手段，依靠定時(shí)給藥等治療方式難以應(yīng)對突發(fā)的激烈情緒波動(dòng)。同時(shí)，抑郁癥存在一定的復(fù)發(fā)率，對于已治愈者，還缺少長期有效的觀測手段。

抑郁癥的主要特征包括心情低落、缺乏興趣等情緒表現(xiàn)，故實(shí)時(shí)有效地判斷和識(shí)別用戶情緒的方法對于抑郁癥的發(fā)現(xiàn)和治療大有意義。首先，實(shí)時(shí)的情緒識(shí)別有利于用戶自檢，便于潛在患者及時(shí)尋求醫(yī)療幫助；其次，醫(yī)生可以通過對患者的情緒監(jiān)測來判斷是否應(yīng)該改變治療方式；最后，對于一度治愈抑郁癥的人群，同樣可以確認(rèn)其是否再次發(fā)病。

對用戶的情緒識(shí)別，尤其是實(shí)時(shí)的多模態(tài)情緒識(shí)別是近年來情感識(shí)別領(lǐng)域的熱點(diǎn)話題。由于人們展現(xiàn)情緒的手段包括文字、表情、語音、動(dòng)作、生理信號等多模態(tài)的方式，將用戶的多模態(tài)的生活日志信息應(yīng)用于情感預(yù)測的方式也已經(jīng)被認(rèn)為是主流的情緒識(shí)別手段。Busso 等人[2]的實(shí)驗(yàn)也表明，融合了用戶多方面生活日志的模型在情緒識(shí)別方面優(yōu)于僅使用單一數(shù)據(jù)的模型。要做到實(shí)時(shí)、準(zhǔn)確地識(shí)別情緒，采集用戶多種生活日志數(shù)據(jù)可以說是勢在必行。

由于用戶情緒是用戶對于外在事物的生理反應(yīng)，所以用戶生理和行為上的各種信息就成了用戶情緒的直觀表現(xiàn)之一。這些信息包括心率、血壓、步數(shù)、活動(dòng)類型和活動(dòng)強(qiáng)度等，對用戶生活日志的采集和分析，將會(huì)給預(yù)測用戶情感和保障用戶健康帶來莫大幫助。近年來，智能可穿戴設(shè)備的普及，使得從用戶處全天候大量采集生理活動(dòng)信息數(shù)據(jù)成為可能，相關(guān)的生活記錄信息已被應(yīng)用到心理健康領(lǐng)域的研究中，這為我們的工作提供了思路。

1 研究目標(biāo)和內(nèi)容

本工作的目標(biāo)為試圖提出一種基于用戶生活日志信息的情緒識(shí)別方法，并檢驗(yàn)將其應(yīng)用于一般用戶和抑郁癥患者用戶的效果。

由于本工作為將基于生活日志的情緒識(shí)別方法應(yīng)用在抑郁癥領(lǐng)域的初次嘗試，沒有相應(yīng)的成熟數(shù)據(jù)集，故本工作中，我們將從收集和整理用戶生活日志和情感標(biāo)簽數(shù)據(jù)出發(fā)，構(gòu)建數(shù)據(jù)集，進(jìn)而對生活日志數(shù)據(jù)的特征進(jìn)行統(tǒng)計(jì)分析。

另外，由于基于生活日志的抑郁癥相關(guān)研究還屬于新的領(lǐng)域，所以我們的工作將更加側(cè)重于對情緒識(shí)別可行性和可擴(kuò)展性的研究上，而非提出新模型。本工作嘗試將生活日志數(shù)據(jù)應(yīng)用在一般用戶和抑郁癥患者用戶具體的情緒預(yù)測工作中，檢驗(yàn)使用生活日志對抑郁癥患者情緒預(yù)測的可行性，并進(jìn)行相應(yīng)的對比實(shí)驗(yàn)，對結(jié)果及其意義進(jìn)行討論。

2 相關(guān)工作

2.1 用戶生理特征和情緒的關(guān)系

心理學(xué)研究已經(jīng)對用戶的一系列生理特征諸如血壓、心率、運(yùn)動(dòng)情況和用戶情緒之間的關(guān)系展開了探索。其中對于血壓的研究中，Davydov等人的實(shí)驗(yàn)[3]指出，心血管收縮壓的強(qiáng)度與用戶的消極情緒喚起度有著直接的聯(lián)系；Southard等人關(guān)于28位青少年血壓和情感的研究[4]表明，血液的動(dòng)態(tài)收縮壓與焦慮、敵對、抑郁和緊張的情緒呈正相關(guān)關(guān)系，而動(dòng)態(tài)舒張壓與青少年敵意、抑郁和不安情緒以及其對環(huán)境的敵意感知相關(guān)；而在關(guān)于靜息收縮壓的研究中，Johnson對32名男性志愿者的壓力和喚起度的測量和分析[5]顯示，靜息收縮壓水平和部分用戶的焦慮情緒有相關(guān)性。關(guān)于心率的研究中，Brosschot等人的實(shí)驗(yàn)[6]發(fā)現(xiàn)，相比積極情緒，消極情緒對于心率的影響時(shí)間更長；而Joel等人的研究[7]揭示，在緊張性刺激的應(yīng)激源影響下的高頻心率變化和抑郁情緒有關(guān)。

除了循環(huán)系統(tǒng)方面的研究，還有一部分研究人員對用戶的腦電圖(EEG)和皮膚電流反映(GSR)曲線進(jìn)行了研究。Li Yang等人[8]針對腦電情感識(shí)別問題提出了一種新的回歸模型，并在14名受試者的腦電情感數(shù)據(jù)上進(jìn)行了驗(yàn)證；Pawel 等人[9]將EEG和GSR信息結(jié)合起來，對27名被試者的觀影情緒進(jìn)行了識(shí)別；在Vahey等人的一篇綜述[10]中陳述了這一事實(shí)： 情緒障礙的人群的GSR曲線更加平緩，同時(shí)平均曲線高度也低于正常人群。

用戶運(yùn)動(dòng)狀態(tài)和睡眠質(zhì)量的研究也已經(jīng)有所進(jìn)展，Thayer等人發(fā)現(xiàn)[11]，人的情緒傾向與每天走的步數(shù)有關(guān)，步數(shù)越多，越容易產(chǎn)生積極的情緒傾向；Sano 等人對大學(xué)生睡眠時(shí)間和睡眠不規(guī)則性的分析[12]顯示，悲傷情緒和不良健康相關(guān)因素之間有統(tǒng)計(jì)學(xué)意義的關(guān)聯(lián)，睡眠規(guī)律是比睡眠時(shí)間更重要的情緒鑒別器。

2.2 基于生活日志信息的分析與挖掘

通過智能設(shè)備對用戶進(jìn)行全天候的信息采集，可以使我們方便地獲得更加豐富的數(shù)據(jù)供學(xué)習(xí)和訓(xùn)練。同時(shí)，用戶的生活記錄信息受到包括自然語言理解和情感識(shí)別等領(lǐng)域在內(nèi)的各個(gè)研究領(lǐng)域的重視，NTCIR-13[13]也將用戶生活記錄信息的處理作為其核心任務(wù)之一。

在有關(guān)用戶生活日志數(shù)據(jù)的研究中，情感相關(guān)的研究取得了多樣的成果。Rika Mochizuki等人提出了基于用戶生活日志比較的情感交流[14]和情感分享[15]模型;Nomiya等人[16]提出了基于面部表情在生活日志視頻中探測情感場景的算法。

此外，生活日志信息也被用于人格分析和用戶的個(gè)性化建模領(lǐng)域,同樣取得了相當(dāng)可靠的結(jié)果。Soleimaninejadian 等人的實(shí)驗(yàn)[17]中，將用戶的性別、情緒變化、心率和房間的信息用作材料，分析了用戶人格方面的特征；Mafrur等人[18]則基于智能手機(jī)傳感器收集的信息，對用戶進(jìn)行了行為識(shí)別以及個(gè)性化的行為建模，并提出了數(shù)據(jù)缺失的解決方案。

2.3 現(xiàn)有工作中的不足

在現(xiàn)有研究用戶生理與情緒相關(guān)性的心理學(xué)實(shí)驗(yàn)中，多限定測量用戶在相對特殊條件下的情感，或者使用不便攜帶的儀器測量用戶的生理信號，難以做到一般性和便攜性；而現(xiàn)有的生活日志相關(guān)研究中，多數(shù)情況下只采用某一種生理信息作為參考，并且難以做到實(shí)時(shí)預(yù)測。另外，在抑郁癥相關(guān)的生活日志采集與相應(yīng)的情感識(shí)別方面，目前還是空白。而本文的工作將直接以用戶在一般生活中的多種生理數(shù)據(jù)為依據(jù)，嘗試實(shí)時(shí)預(yù)測情感。同時(shí)，我們的工作也將驗(yàn)證基于生活日志的情緒識(shí)別在抑郁癥相關(guān)場景下是否可行。

3 數(shù)據(jù)的采集與分析

3.1 生活日志數(shù)據(jù)的采集與整合

由于本工作是生活日志應(yīng)用于抑郁癥患者情緒識(shí)別的第一個(gè)工作，沒有成熟的抑郁癥患者相關(guān)生活日志和情緒標(biāo)簽的數(shù)據(jù)集。因此，本工作必須從收集一般用戶和患者用戶的生活日志和情感標(biāo)簽數(shù)據(jù)出發(fā)，同時(shí)整合已有的其他方面的生活日志數(shù)據(jù)集，構(gòu)建本工作所需的抑郁癥相關(guān)的生活日志與情感數(shù)據(jù)集。

3.1.1 手環(huán)數(shù)據(jù)的采集與整合

本工作中，使用小米手環(huán)3及與其配套的開源安卓應(yīng)用Gadgetbridge作為數(shù)據(jù)的采集手段，對1位一般用戶和兩位抑郁傾向用戶進(jìn)行了數(shù)據(jù)采集。通過定期將用戶的手環(huán)與Gadgetbridge應(yīng)用進(jìn)行同步，采集并保存用戶的生活日志數(shù)據(jù)，三位用戶均全天佩戴手環(huán)。與此同時(shí)，本工作還整合了開源的LifeMusic數(shù)據(jù)集中13位一般用戶的數(shù)據(jù)。

手環(huán)數(shù)據(jù)的采集頻率為每分鐘一次，采集的生活日志數(shù)據(jù)包括4種特征： 用戶在采集數(shù)據(jù)時(shí)的活動(dòng)類型、用戶當(dāng)時(shí)的活動(dòng)強(qiáng)度、用戶的心率、以及該分鐘內(nèi)用戶走過的步數(shù)。

3.1.2 用戶情感標(biāo)簽的采集與整合

用戶在佩戴手環(huán)采集生活日志數(shù)據(jù)的同時(shí)，也按照要求記錄自己每日的活動(dòng)。其記錄的信息包括： 活動(dòng)開始時(shí)間和結(jié)束時(shí)間、活動(dòng)的類型、活動(dòng)起止時(shí)的情緒。完整的情感標(biāo)簽采集表格及示例數(shù)據(jù)如表1所示，其中“情緒”一欄為從表2中展示的12種預(yù)選項(xiàng)中選擇一項(xiàng)。

同時(shí)，為減少用戶記錄壓力，我們僅要求用戶約每小時(shí)記錄一次情感標(biāo)簽數(shù)據(jù)。將采集到的情感標(biāo)簽添加到生活日志數(shù)據(jù)上，構(gòu)建原始的生活日志-情感標(biāo)簽數(shù)據(jù)集。

表1 情感標(biāo)簽采集表格及數(shù)據(jù)示例

表2 情緒可選項(xiàng)

3.2 數(shù)據(jù)集規(guī)模與無效數(shù)據(jù)篩除

數(shù)據(jù)采集過程中，由于手環(huán)佩戴時(shí)不可避免地存在偶發(fā)的接觸不良問題，因此采集到的數(shù)據(jù)中存在31.3%的無效數(shù)據(jù)，將這些數(shù)據(jù)篩除后，得到數(shù)據(jù)集規(guī)模如下：

生活日志數(shù)據(jù)： 總條數(shù)為218 330條，包含16人共241天次的數(shù)據(jù)，其中患者用戶數(shù)據(jù)為15 044條，時(shí)間跨度17天。

原始情感標(biāo)簽數(shù)據(jù)： 共290條原始數(shù)據(jù)，其中患者用戶共41條原始記錄。

3.3 情感標(biāo)簽的補(bǔ)充

在原始數(shù)據(jù)集中，情感標(biāo)簽數(shù)據(jù)僅為290條，難以作為訓(xùn)練數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，因此，需要考慮合適的標(biāo)簽補(bǔ)充方式，基于已有的情感標(biāo)簽數(shù)據(jù)，合理地補(bǔ)充情感標(biāo)簽，以使情感標(biāo)簽數(shù)據(jù)數(shù)量達(dá)到足以進(jìn)行訓(xùn)練的程度。在本文實(shí)驗(yàn)中，采用了以下兩種方法對情感標(biāo)簽進(jìn)行補(bǔ)充：

(1) 基于活動(dòng)的情感填充方法： 用戶在進(jìn)行同一種活動(dòng)時(shí)，如果時(shí)間跨度不大，且活動(dòng)開始與結(jié)束時(shí)情感標(biāo)簽一致，則有理由認(rèn)為進(jìn)行該活動(dòng)時(shí)用戶的情感標(biāo)簽與該活動(dòng)起止時(shí)間的情感標(biāo)簽一致。按此規(guī)則對原數(shù)據(jù)集進(jìn)行填充，取填充后數(shù)據(jù)集中所有帶有情感標(biāo)簽的數(shù)據(jù)點(diǎn)，構(gòu)成新數(shù)據(jù)集，稱為活動(dòng)填充數(shù)據(jù)集。

(2) 基于原有標(biāo)簽的情感標(biāo)簽填充： 由于用戶記錄情感標(biāo)簽數(shù)據(jù)的時(shí)間點(diǎn)往往是在其情緒較為明顯的時(shí)候，而在此前后，情緒的變化需要時(shí)間完成，所以可以認(rèn)為時(shí)間上緊鄰原始數(shù)據(jù)的情感標(biāo)簽和該情感標(biāo)簽具有一致性。按此規(guī)則對原數(shù)據(jù)集進(jìn)行填充，取填充后數(shù)據(jù)集中所有帶有情感標(biāo)簽的數(shù)據(jù)點(diǎn)，構(gòu)成新數(shù)據(jù)集，稱為標(biāo)簽填充數(shù)據(jù)集。

3.4 數(shù)據(jù)集部分特征統(tǒng)計(jì)與分析

首先對兩類用戶的活動(dòng)強(qiáng)度進(jìn)行占比統(tǒng)計(jì)，得到圖1和圖2。由這兩個(gè)圖可知，一般用戶的較高強(qiáng)度活動(dòng)的時(shí)間占比高于患者用戶，而對兩類用戶的步數(shù)進(jìn)行統(tǒng)計(jì)則發(fā)現(xiàn)，絕大多數(shù)時(shí)間內(nèi)，兩類用戶的步數(shù)均為0。

圖1 一般用戶活動(dòng)強(qiáng)度占比

圖2 患者用戶活動(dòng)強(qiáng)度占比

將兩類用戶的活動(dòng)強(qiáng)度和步數(shù)分別按照頻數(shù)進(jìn)行統(tǒng)計(jì)，得到圖3和圖4，其中圖4的分布曲線經(jīng)過局部放大。由這兩圖可知，盡管一般用戶的最大活動(dòng)強(qiáng)度和步數(shù)大于患者用戶，兩類用戶的活動(dòng)強(qiáng)度和步數(shù)頻數(shù)分布曲線趨勢基本相同，在頻數(shù)分布的意義上，兩類用戶無法得到明確區(qū)分。

圖3 按頻數(shù)統(tǒng)計(jì)的活動(dòng)強(qiáng)度曲線圖

圖4 按頻數(shù)統(tǒng)計(jì)的步數(shù)曲線圖

4 基于生活日志的情緒預(yù)測

4.1 任務(wù)描述

本節(jié)中，我們對一般用戶和抑郁癥患者用戶進(jìn)行情緒預(yù)測。情感預(yù)測任務(wù)使用生活日志和情感標(biāo)簽訓(xùn)練模型，使模型能夠預(yù)測給定的生活日志特征對應(yīng)的情感標(biāo)簽。由于本文工作首次涉及抑郁癥患者情緒識(shí)別問題，因而側(cè)重于驗(yàn)證既有情緒識(shí)別模型的可行性，觀察不同用戶的效果和用戶間差異，同時(shí)探究方法本身的可擴(kuò)展性。

統(tǒng)計(jì)分析的結(jié)果表明，單純從數(shù)據(jù)的頻數(shù)和分布來看，難以區(qū)分兩類用戶。

4.2 特征與模型設(shè)計(jì)

4.2.1 生活日志特征設(shè)計(jì)

本文選取從手環(huán)采集到的用戶活動(dòng)類型、活動(dòng)強(qiáng)度、心率和步數(shù)這4個(gè)維度的特征用作實(shí)驗(yàn)數(shù)據(jù)。在收集到的生活日志數(shù)據(jù)中，活動(dòng)類型數(shù)據(jù)在形式上與其他3種數(shù)據(jù)有較大差異： 首先其數(shù)值為離散數(shù)據(jù)，其次其數(shù)值代表的含義與數(shù)值大小沒有關(guān)系。因而對所有出現(xiàn)的活動(dòng)類型、頻數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果如表3所示。

表3 對活動(dòng)類型的頻數(shù)統(tǒng)計(jì)

統(tǒng)計(jì)結(jié)果顯示，排名前6的活動(dòng)類型頻數(shù)和其他活動(dòng)類型頻數(shù)之和處于同一數(shù)量級范圍內(nèi)，所以可將活動(dòng)類型以one_hot的形式拆分成7維向量，以彌補(bǔ)原始用戶生活日志特征維數(shù)過少的缺陷，在實(shí)驗(yàn)中我們也將該方法與不拆分用戶活動(dòng)類型的方法進(jìn)行了對比。

4.2.2 多維度情感模型與情感標(biāo)簽合并

兩個(gè)較重要的多維度情感模型是Russel等人于1980年提出的Arousal-Valence模型[19]與Mehrabian等人于1996年提出的PAD模型(Pleasure Arousal Dominance，PAD)[20]。模型使用多維連續(xù)值描述具體的情感，可以更加細(xì)致地對情感進(jìn)行區(qū)分或?qū)η楦卸x距離。下面分別介紹兩個(gè)模型的概念。

如圖5所示，以喚起度和正負(fù)性為平面的兩個(gè)維度，所有的常見情感以坐標(biāo)系中的點(diǎn)的形式存在于平面內(nèi)。其中喚起度描述情感的強(qiáng)度，即情感中含有的能量多少；而正負(fù)性代表情感的傾向，即情感是積極的還是消極的。喚起度和正負(fù)性的取值范圍是區(qū)間[-1,1]，在這個(gè)模型下，情感被表示為二元組(a，v)的形式，兩個(gè)維度分別對應(yīng)Arousal和Valence的取值，情感積極性越高，喚醒度越強(qiáng)，其位置越靠近右上角，反之，則越靠近左下角。

圖5 喚起度—正負(fù)性情感平面

在PAD模型中，P維度起到衡量情感正負(fù)性的作用，而新引入的D維度則起到衡量產(chǎn)生情緒的個(gè)體對當(dāng)時(shí)情景和周圍人的控制狀態(tài)。在PAD三維模型下，一些僅憑喚起度和正負(fù)性不易區(qū)分的情感，如憤怒和恐懼，可以得到很好的區(qū)分。

在數(shù)據(jù)集中，實(shí)際出現(xiàn)的情感標(biāo)簽為除“發(fā)怒”外的11種。其中存在部分傾向相近的情緒。由于實(shí)際上我們更加關(guān)注的是情感本身的正負(fù)性和喚醒度相關(guān)的特征，所以可以將情感標(biāo)簽按照喚起度-正負(fù)性模型的四象限合并成表4中顯示的5類。將此合并方法應(yīng)用到“活動(dòng)填充數(shù)據(jù)集”和“標(biāo)簽填充數(shù)據(jù)集”上，分別得到“活動(dòng)填充-合并數(shù)據(jù)集”和“標(biāo)簽填充-合并數(shù)據(jù)集”，以便驗(yàn)證該方法的效果。

表4 情感標(biāo)簽合并結(jié)果

4.2.3 基于決策樹的集成學(xué)習(xí)模型

對于數(shù)據(jù)量較小的生活日志數(shù)據(jù)集，提高模型正確率的方法選用集成學(xué)習(xí)方法。目前比較主流的集成學(xué)習(xí)方法之一，是以決策樹作為弱分類器來實(shí)現(xiàn)集成學(xué)習(xí)的方法。而在本文中，我們用來預(yù)測用戶情緒的模型為Breiman提出的隨機(jī)森林(RF)算法[21]和Friedman提出的GBDT算法[22]，二者所使用的弱學(xué)習(xí)器均為CART樹。

CART樹包含分類樹和回歸樹，二者的區(qū)別為樣本輸出的連續(xù)性。其中前者基于基尼系數(shù)進(jìn)行優(yōu)化，后者則基于方差。按照特征值A(chǔ)進(jìn)行劃分的樣本D，其基尼系數(shù)如式(1)所示。

(1)

CART分類樹的建立就是不斷選擇基尼系數(shù)最小的劃分點(diǎn)和特征進(jìn)行二分類，預(yù)測時(shí)選擇樣本點(diǎn)所在葉節(jié)點(diǎn)中概率最大的值。

基于回歸樹的集成學(xué)習(xí)算法，其本質(zhì)是在預(yù)測時(shí)，考慮處于回歸樹森林中的多棵回歸樹的預(yù)測結(jié)果，最終優(yōu)化模型整體的預(yù)測結(jié)果。其中，隨機(jī)森林算法使用CART樹作為弱學(xué)習(xí)器，在學(xué)習(xí)器的集成上使用了bagging原理，其中各個(gè)弱學(xué)習(xí)器之間沒有關(guān)系。隨機(jī)森林的特點(diǎn)在于，隨機(jī)選取一部分樣本特征作為決策樹子樹劃分的依據(jù)，使得模型的泛化能力更強(qiáng)。在進(jìn)行分類預(yù)測時(shí)，采用投票法(分類樹)或取均值(回歸樹)作為輸出。

而GBDT算法則采用了boosting原理，用前一輪迭代得到的強(qiáng)學(xué)習(xí)器和損失函數(shù)建立弱學(xué)習(xí)器，使得本輪的損失函數(shù)最小，進(jìn)而構(gòu)造更強(qiáng)的學(xué)習(xí)器。通過前一次的結(jié)果改變新增弱學(xué)習(xí)器的分類或回歸方式，通過集成來不斷嘗試提高整體強(qiáng)學(xué)習(xí)器正確率P(Precision)。

4.3 情緒預(yù)測實(shí)驗(yàn)設(shè)置

我們基于用戶不同日期間數(shù)據(jù)的獨(dú)立性，設(shè)計(jì)了一個(gè)包含三個(gè)使用不同訓(xùn)練數(shù)據(jù)進(jìn)行測試的對比實(shí)驗(yàn)框架，并且在這個(gè)框架下，驗(yàn)證不同情感標(biāo)簽補(bǔ)充方法合并情感標(biāo)簽與否的效果優(yōu)劣。對比實(shí)驗(yàn)框架的設(shè)計(jì)思路是： 選取某用戶某天的數(shù)據(jù)作為測試集，在余下的數(shù)據(jù)中選擇訓(xùn)練數(shù)據(jù)。訓(xùn)練手段采用GBDT和RF算法。框架內(nèi)包含的三個(gè)實(shí)驗(yàn)如下：

實(shí)驗(yàn)一基于全體數(shù)據(jù)的學(xué)習(xí)和預(yù)測，將其余所有數(shù)據(jù)作為訓(xùn)練集。

實(shí)驗(yàn)二僅使用自身數(shù)據(jù)的學(xué)習(xí)和預(yù)測，將該用戶的其余數(shù)據(jù)作為訓(xùn)練集。

實(shí)驗(yàn)三僅使用他人數(shù)據(jù)進(jìn)行預(yù)測，使用其他人的數(shù)據(jù)作為訓(xùn)練集。

上述三個(gè)實(shí)驗(yàn)均使用用戶情感預(yù)測的正確率作為評價(jià)標(biāo)準(zhǔn)，分別計(jì)算數(shù)據(jù)集上的平均正確率和用戶的平均正確率。

其中，實(shí)驗(yàn)一與實(shí)驗(yàn)二對比，可以驗(yàn)證他人數(shù)據(jù)的有無是否對情感預(yù)測有積極影響；實(shí)驗(yàn)一與實(shí)驗(yàn)三對比，可以驗(yàn)證在僅有他人數(shù)據(jù)的情況下是否能夠進(jìn)行相對準(zhǔn)確的預(yù)測；三者對比，可以對不同人認(rèn)知情感的偏差這一現(xiàn)象進(jìn)行分析。

4.4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)一 基于全體數(shù)據(jù)的學(xué)習(xí)預(yù)測

使用GBDT和RF方法，在4個(gè)數(shù)據(jù)集上進(jìn)行基于全體數(shù)據(jù)的學(xué)習(xí)和預(yù)測，其平均正確率如表5所示。由表5可知，使用隨機(jī)猜測方法的對照組命中率接近于用戶情緒類別的倒數(shù)，而使用用戶的生活日志數(shù)據(jù)進(jìn)行情感預(yù)測可以得到相對較優(yōu)的結(jié)果。其中，在使用全部數(shù)據(jù)時(shí)，GBDT的表現(xiàn)要優(yōu)于RF，由4個(gè)數(shù)據(jù)集結(jié)果比較可知，無論是否合并標(biāo)簽數(shù)據(jù)，使用基于活動(dòng)的情感標(biāo)簽填充方式的表現(xiàn)都要明顯好于基于標(biāo)簽的填充方式，這表明使用基于活動(dòng)的標(biāo)簽填充方式所補(bǔ)充的數(shù)據(jù)更加貼近于用戶的實(shí)際情感數(shù)據(jù)。進(jìn)一步表明，用戶的情緒變化依賴于活動(dòng)，在短時(shí)間內(nèi)進(jìn)行同一活動(dòng)的情況下情緒傾向于穩(wěn)定；而在活動(dòng)狀態(tài)進(jìn)行轉(zhuǎn)換時(shí)，用戶的情緒也傾向于發(fā)生變化。此外，活動(dòng)類別的分割對于預(yù)測正確率有一定提升。

表5 是否分割活動(dòng)類別結(jié)果對比(%)

對于情感標(biāo)簽合并的效果而言，由原有的11分類問題簡化為5分類問題后，正確率確實(shí)有所提高，但并沒有顯著提高正確率，這與原有數(shù)據(jù)集中情感標(biāo)簽并非均勻分布有關(guān)。

統(tǒng)計(jì)GBDT方法在活動(dòng)填充-合并數(shù)據(jù)集上得到的各用戶平均正確率，繪制圖6，對結(jié)果進(jìn)行用戶粒度的分析。在基于全體數(shù)據(jù)的學(xué)習(xí)和預(yù)測中，患者用戶達(dá)到的最高預(yù)測正確率為56.46%，而除1號、6號、7號之外的用戶的平均正確率可達(dá)50.51%。對于5號和14號用戶，其正確率可以達(dá)到93.26%和75.21%。表明基于生活日志和情感標(biāo)簽，可以對部分用戶進(jìn)行有效的預(yù)測。

表6 實(shí)驗(yàn)一不同數(shù)據(jù)集結(jié)果對比(%)

對于數(shù)據(jù)異常的6號用戶，經(jīng)比對預(yù)測結(jié)果和情感標(biāo)簽，發(fā)現(xiàn)該用戶傾向于將大多數(shù)標(biāo)簽標(biāo)注為“愉悅”等積極情感，而基于全體數(shù)據(jù)訓(xùn)練的模型對此給出的預(yù)測則大多數(shù)為“平靜”。這說明6號用戶的標(biāo)注可能存在個(gè)人偏差，即情感標(biāo)注與實(shí)際情緒不一致。

圖6 實(shí)驗(yàn)一用戶平均正確率

實(shí)驗(yàn)二 僅使用用戶自身數(shù)據(jù)的學(xué)習(xí)預(yù)測

GBDT和RF在僅使用用戶自身數(shù)據(jù)時(shí)，用同樣方法繪制用戶粒度分析圖(見圖7)。由圖7可見，大部分用戶的數(shù)據(jù)中，實(shí)驗(yàn)一的平均正確率要高于實(shí)驗(yàn)二的平均正確率。然而也存在反常的用戶，1號、6號和7號用戶僅在使用自己的數(shù)據(jù)時(shí)，取得較高的正確率，而9號用戶在使用自己的數(shù)據(jù)時(shí)，正確率反而偏低。對于這些反常用戶進(jìn)行預(yù)測結(jié)果和用戶標(biāo)簽的比對后發(fā)現(xiàn)，1號和7號與6號相反，傾向于向數(shù)據(jù)集中標(biāo)注“無聊”和“抑郁”；9號用戶的標(biāo)注則表現(xiàn)為每天的情感較為單一，但每天之間情感差異很大，導(dǎo)致實(shí)驗(yàn)二中，多數(shù)情況下測試集中幾乎不包含訓(xùn)練集的數(shù)據(jù)。

圖7 實(shí)驗(yàn)二用戶平均正確率

綜合實(shí)驗(yàn)一和實(shí)驗(yàn)二的結(jié)果，我們提出了用戶認(rèn)知不一致現(xiàn)象的猜想。該現(xiàn)象的表現(xiàn)有兩個(gè)，一是1號、6號和7號展現(xiàn)的用戶對自己情緒的認(rèn)知與實(shí)際情緒之間存在不一致；二是用戶之間對于相同情緒的認(rèn)識(shí)不盡相同。當(dāng)算法的預(yù)測，尤其是基于全部用戶數(shù)據(jù)的多種方法預(yù)測接近且與用戶的標(biāo)簽不一致時(shí)，不能簡單地當(dāng)作錯(cuò)誤來認(rèn)識(shí)，應(yīng)考慮用戶認(rèn)知不一致現(xiàn)象發(fā)生的可能性。此時(shí)的預(yù)測結(jié)果有其特別的意義，代表著判斷出的用戶未能察覺或者認(rèn)識(shí)錯(cuò)誤的潛在情緒。

實(shí)驗(yàn)三 僅使用他人數(shù)據(jù)的學(xué)習(xí)預(yù)測

本實(shí)驗(yàn)的用戶平均正確率如圖8所示。

圖8 實(shí)驗(yàn)三用戶平均正確率

由圖8可知，對于大部分新用戶，僅使用他人數(shù)據(jù)預(yù)測也有相當(dāng)高的正確率，對于編號15的患者用戶而言，使用一般用戶數(shù)據(jù)進(jìn)行情感預(yù)測的正確率可以達(dá)到56.46%。表明患者的情緒可以使用一般人數(shù)據(jù)進(jìn)行正常預(yù)測。其意義在于： 一方面說明患者情緒和一般用戶情緒與生活日志數(shù)據(jù)的對應(yīng)規(guī)律大體相同，并非不可預(yù)測；另一方面，訓(xùn)練相應(yīng)的情緒預(yù)測模型，不需要采集大量的患者數(shù)據(jù)，使用一般用戶數(shù)據(jù)即可得到相對較好的結(jié)果。另外，對比實(shí)驗(yàn)二和實(shí)驗(yàn)三的數(shù)據(jù)可以發(fā)現(xiàn)，對于大多數(shù)用戶，完全使用用戶自己的數(shù)據(jù)進(jìn)行預(yù)測的準(zhǔn)確性要略高于僅使用他人數(shù)據(jù)，這說明個(gè)人數(shù)據(jù)所帶有的偏差確實(shí)會(huì)影響情緒預(yù)測的正確率。

5 總結(jié)與未來工作

本文是首個(gè)利用生活日志數(shù)據(jù)進(jìn)行抑郁癥用戶情緒識(shí)別和分析的工作，對基于生活日志的情緒識(shí)別方法在此方面的應(yīng)用可行性進(jìn)行了驗(yàn)證。

這項(xiàng)工作中，我們從零開始收集和整合用戶的生活日志和情感標(biāo)簽數(shù)據(jù)，構(gòu)建了包含兩類用戶的生活日志情感數(shù)據(jù)集，并進(jìn)行了數(shù)據(jù)的統(tǒng)計(jì)分析。我們以GBDT和RF作為訓(xùn)練模型，設(shè)計(jì)了包含使用全體數(shù)據(jù)、用戶自身數(shù)據(jù)和僅使用他人數(shù)據(jù)的三個(gè)對比實(shí)驗(yàn)的框架進(jìn)行了實(shí)驗(yàn)，比對了情感標(biāo)簽不同補(bǔ)充方式的效果和不同用戶的訓(xùn)練數(shù)據(jù)之間的偏差對于識(shí)別正確率的影響。提出了有關(guān)用戶認(rèn)知不一致問題的猜想，并對其進(jìn)行了分析。該現(xiàn)象的發(fā)現(xiàn)對于心理抑郁分析有一定的啟示作用，但徹底確認(rèn)還需更多數(shù)據(jù)支持。

未來我們將收集更大規(guī)模的數(shù)據(jù)集以供進(jìn)一步的實(shí)驗(yàn)，從而探究用戶認(rèn)知不一致現(xiàn)象和提高模型的可靠性。同時(shí)，需要發(fā)掘更加準(zhǔn)確的情感記錄手段，使用戶的情感記錄更加貼近實(shí)際。此外，還要結(jié)合心理學(xué)的研究與實(shí)踐，改進(jìn)模型效果，提出新模型。