Modellen voor machinaal leren in de context van fysiologische toestandsovergangen

Vooruitgang in draagbare technologie maakt de continue beoordeling van fysiologische gegevens mogelijk om een gedetailleerd beeld te krijgen van de dynamiek van het dagelijks leven die samenhangt met de ontwikkeling van psychische aandoeningen. Specifieke overgangen van fysiologische toestanden kunnen prognostische waarde hebben in de loop van de ontwikkeling, behandeling en terugval van psychische stoornissen. Computationele modellering van de fysiologische gegevens is een veelbelovende benadering bij het voorspellen van deze cursus. Fysiologische toestandsovergangen kunnen in verschillende tijdvensters worden waargenomen. Op een kortstondig niveau kunnen van minuut tot minuut veranderingen in de fysiologie, zoals in het geval van acute stress en herstel van acute stress, specifiek ziektegerelateerd gedrag en symptomen voorspellen. Op de langere termijn kunnen meer structurele veranderingen in de fysiologie, zoals chronische stress of patronen in het circadiane ritme, wijzen op belangrijke fasen in ziekteprogressie, behandelingseffecten of terugval. Ik zal nieuwe computationele modellen ontwikkelen om markers in het dagelijks leven van toestandsovergangen gerelateerd aan geestelijke gezondheid te detecteren. Daarom ga ik werken aan bestaande datasets die zijn verzameld van gezonde vrijwilligers en personen met psychiatrische klachten.

Trefwoorden:Machine learning, Computational modeling, Formal theory, Physiological states, Stress

Disciplines:Biologische en fysiologische psychologie niet elders geclassificeerd, Mathematische psychologie, Artificiële intelligentie, Psychopathologie

Project type:PhD project