El 12 de julio de 2023, Abraham Larrazolo Barrera obtuvo su grado de Maestro en Ciencias, en la Maestría en Ciencias de la Computación del Centro de Investigación y Estudios Avanzados (CIC IPN). Su graduación ocurrió en la sala "Adolfo Guzmán Arenas" del CIC.
El texto completo de tesis puede consultarse aquí. His thesis, full text, can be found here. El resumen de su tesis es el siguiente.
Depression is a common illness throughout the world. Approximately 280 million people around the world have depression, according to the World Health Organization (2021). The increasing capacities and more sensors in personal devices such as the telephone, smart bracelets, and watches have generated significant interest in the area of health due to the information from the data these devices passively generate. Research using digital phenotyping to predict indicators of mental illness, such as depression and stress, has increased.
In the present work, the analysis and exploration of different machine learning and deep learning models used to predict the levels of depression of students from the data obtained through mobile devices are shown. We used linear models and artificial neural networks to predict the results; Depression levels were analyzed and compared based on the PHQ-9 exam. The PHQ-9 is a clinical exam used to detect depression and consists of 9 questions. The score has a range from 0 to 27. The characteristics we used for the models were obtained by preprocessing the data from the mobile sensors. The results obtained for the
linear regression models were 7.7 Root Mean Squared Error RMSE for the classic linear regressor (Ordinary Least Square); the results of this model with Ridge regularization were 2.8 RMSE and with Lasso 2.8 RMSE. The best model was the Neural Network Architecture with 2.7 RMSE.
La depresión es una enfermedad frecuente en todo el mundo. Aproximadamente 280 millones de personas alrededor del mundo tienen depresión de acuerdo a la Organización Mundial de la Salud, World Health Organization (2021). Las crecientes capacidades y mayor número de sensores en los dispositivos personales como el teléfono, pulseras y relojes inteligentes,han generado gran interés en el área de la salud debido a la información de los datos que dichos dispositivos generan pasivamente. Investigaciones en las que se usa el fenotipado digital para predecir indicadores de enfermedades mentales como la depresión y el estrés han ido en aumento.
En el presente trabajo se muestra el análisis y la exploración de diferentes modelos de aprendizaje máquina y aprendizaje profundo usados para predecir los niveles de depresión de estudiantes a partir de los datos obtenidos mediante dispositivos móviles. Empleamos modelos lineales y redes neuronales artificiales para la predicción de los resultados; los niveles de depresión fueron analizados y comparados con base al examen PHQ-9. El PHQ-9 es examen clínico usado para la detección de la depresión, consta de 9 preguntas, el puntaje tiene un rango de 0 a 27. Las características que usamos para los modelos fueron obtenidas mediante un preprocesamiento de los datos de los sensores del teléfono móvil, etc. Los resultados obtenidos para los modelos de regresión lineal fueron de 7.7 Root Mean Squared Error RMSE para el clásico regresor lineal (Ordinary Least Square), los resultados de este modelo con regularización Ridge fue de 2.8 RMSE y con Lasso 2.8 RMSE. El mejor modelo fue la Arquitectura de red neuronal con 2.7 RMSE.
 |
| De izquierda a derecha, Dr. Gilberto Martínez Luna; Abraham Larrazolo; Adolfo Guzmán Arenas. |
No hay comentarios:
Publicar un comentario