Predicting depression from driving data using machine learning algorithms
यह अध्ययन इस अवधारणा की सिद्धि (proof of concept) प्रदर्शित करता है कि मशीन लर्निंग एल्गोरिदम, विशेष रूप से रैंडम फॉरेस्ट क्लासिफायर, हाई-फ्रीक्वेंसी ड्राइविंग सिम्युलेटर डेटा का विश्लेषण करके अवसाद से ग्रस्त रोगियों और स्वस्थ नियंत्रणों के बीच सफलतापूर्वक अंतर कर सकते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
ड्राइविंग निरंतर गणना का एक जटिल कार्य है। एक ड्राइवर को सड़क पर नज़र रखनी होती है, दूरियों का अंदाज़ा लगाना होता है, अचानक होने वाले बदलावों पर प्रतिक्रिया देनी होती है, और स्टीयरिंग व्हील पर स्थिर हाथ बनाए रखना होता है, और यह सब वह संवेदी सूचनाओं के सैलाब को प्रोसेस करते हुए करता है। जब कोई व्यक्ति अवसाद (डिप्रेशन) से ग्रस्त होता है, जो एक ऐसी स्थिति है जो मनोदauthState, ऊर्जा और स्पष्ट रूप से सोचने की क्षमता को प्रभावित करती है, तो ये मानसिक संसाधन कम हो सकते हैं। यह सुरक्षा विशेषज्ञों के लिए एक व्यावहारिक प्रश्न खड़ा करता है: क्या अवसाद का अदृश्य भार किसी व्यक्ति के ड्राइविंग करने के तरीके को बदल देता है? जबकि पिछले शोधों ने इस बात पर गौर किया है कि दवाएं ड्राइविंग को कैसे प्रभावित करती हैं, मानसिक अवस्था का सीधा प्रभाव पकड़ पाना कठिन रहा है। कुछ अध्ययन बताते हैं कि अवसादग्रस्त ड्राइवर दुर्घटनाओं के प्रति अधिक प्रवण होते हैं, जबकि अन्य इसमें कोई स्पष्ट संबंध नहीं पाते। कठिनाई इस तथ्य में निहित है कि ड्राइविंग व्यवहार सूक्ष्म होता है और एक व्यक्ति से दूसरे व्यक्ति में बहुत भिन्न होता है, जिससे सड़क पर चलती हुई कार को देखकर पैटर्न को पहचानना मुश्किल हो जाता है।
यूनान के शोधकर्ताओं की एक टीम ने ड्राइविंग को डेटा की एक धारा में बदलकर इस समस्या को हल करने का निर्णय लिया। उन्होंने उन साठ-नौ लाइसेंस प्राप्त ड्राइवरों को चुना, जिनमें से उनतालीस को मेजर डिप्रेशन (प्रमुख अवसाद) का निदान हुआ था और तीस को नहीं। उन्हें वास्तविक राजमार्गों पर भेजने के बजाय, जहाँ मौसम और यातायात बहुत सारे चर (variables) पेश कर सकते थे, शोधकर्ताओं ने उन्हें ड्राइविंग सिम्युलेटर में रखा। ये उच्च-तकनीकी कमरे हैं जो कार के अंदरूनी हिस्से की तरह दिखते और महसूस होते हैं, जिसमें वास्तविक स्टीयरिंग व्हील, पेडल और गियर शिफ्ट शामिल हैं, लेकिन ये बड़ी स्क्रीन पर एक चलती हुई सड़क को प्रोजेक्ट करते हैं। प्रतिभागियों ने विभिन्न परिदृश्यों में ड्राइविंग की, जिसमें हाईवे और अलग-अलग यातायात स्तरों वाली शहर की सड़कें शामिल थीं। मशीनों ने ड्राइवरों द्वारा किए गए हर मूवमेंट को रिकॉर्ड किया, जैसे कि गति, ब्रेक कितनी जोर से दबाया गया, स्टीयरिंग व्हील को कितना घुमाया गया, और वे अपने आगे वाली कार से कितनी दूरी बनाए रखते थे। कंप्यूटरों ने इन विवरणों को लगभग हर सेकंड साठ बार रिकॉर्ड किया, जिससे हर निर्णय और प्रतिक्रिया का एक विशाल, विस्तृत लॉग तैयार हुआ।
इसके बाद शोधकर्ताओं ने इस डेटा के पहाड़ को मशीन लर्निंग एल्गोरिदम नामक एक प्रकार के कंप्यूटर प्रोग्राम में डाला। आप इन एल्गोरिदम को एक ऐसे छात्र के रूप में समझ सकते हैं जो हजारों उदाहरणों को देखते हुए सीखता है जब तक कि वह वह पैटर्न न पकड़ ले जिसे इंसान शायद मिस कर दें। कंप्यूटर को ड्राइविंग लॉग देखने और यह पता लगाने के लिए कहा गया कि कौन से ड्राइवर अवसादग्रस्त थे और कौन से नहीं, केवल उनके ड्राइविंग करने के तरीके के आधार पर। टीम ने डेटा को कंप्यूटर को देने के दो अलग-अलग तरीके आजमाए। पहले दृष्टिकोण में, उन्होंने प्रत्येक व्यक्ति की पूरी ड्राइव को लिया और उसे एक एकल सारांश में बदल दिया, जैसे औसत गति या स्टीयरिंग व्हील की गतिशीलता की मात्रा को देखना। दूसरे दृष्टिकोण में, उन्होंने डेटा को एक निरंतर टाइमलाइन के रूप में रखा, जिससे कंप्यूटर यह देख सके कि जैसे-जैसे ड्राइवर कोर्स का नेविगेशन करता है, उसका व्यवहार सेकंड-दर-सेकंड कैसे बदलता है।
परिणामों ने दिखाया कि कंप्यूटर वास्तव में दोनों समूहों के बीच अंतर करना सीख सकता था, लेकिन सफलता इस बात पर निर्भर थी कि डेटा को कैसे प्रस्तुत किया गया। जब शोधकर्ताओं ने सारांश दृष्टिकोण का उपयोग किया, तो कंप्यूटर मॉडल काफी सफल रहा, जिसने अवसादग्रस्त ड्राइवरों की लगभग चौहत्तर प्रतिशत बार सही पहचान की। मॉडल ने पाया कि कुछ आदतें विशिष्ट रूप से उभर कर आती हैं। उदाहरण के लिए, अवसादग्रस्त ड्राइवरों का हाईवे पर स्टीयरिंग व्हील के मूवमेंट में अधिक उतार-चढ़ाव देखा गया और शहर के ट्रैफिक में वे आगे वाली कार से असंगत दूरी बनाए रखते थे। व्यवहार के ये छोटे, अनियमित बदलाव वे सुराग थे जिनका उपयोग कंप्यूटर ने अपने निर्णय लेने के लिए किया। हालांकि, जब शोधकर्ताओं ने दूसरे दृष्टिकोण का उपयोग किया, यानी सेकंड-दर-सेकंड की टाइमलाइन को देखा, तो कंप्यूटर को अधिक संघर्ष करना पड़ा। उसे स्वस्थ ड्राइवरों और अवसादग्रस्त लोगों के बीच अंतर करने में कठिनाई हुई, और अक्सर उसने लगभग सभी को अवसादग्रस्त मान लिया। यह सुझाव देता है कि ड्राइविंग का समग्र पैटर्न, क्षण-दर-क्षण के उतार-चढ़ाव की तुलना में एक मजबूत संकेत है।
अध्ययन ने डेटा की प्रकृति के बारे में भी एक महत्वपूर्ण बात उजागर की। कंप्यूटर ने स्वस्थ लोगों की पहचान करने की तुलना में अवसादग्रस्त ड्राइवरों की पहचान करना बहुत आसान पाया। अवसादग्रस्त समूह के ड्राइविंग व्यवहार आश्चर्यजनक रूप से एक-दूसरे के अनुरूप थे, मानो वे सभी एक समान, थोड़े हिचकिचाते हुए तरीके से गाड़ी चला रहे हों। दूसरी ओर, स्वस्थ ड्राइवर बहुत विविध थे; कुछ तेज़ चलते थे, कुछ धीमे, कुछ तीखे मोड़ लेते थे, और कुछ सुचारू रूप से चलते थे। क्योंकि स्वस्थ समूह बहुत विविध था, कंप्यूटर के लिए यह परिभाषित करना कठिन हो गया कि एक "सामान्य" ड्राइवर कैसा दिखता है। इस असंतुलन ने मॉडल को अवसाद को पहचानने की ओर पक्षपाती बना दिया, जो मिश्रित समूह के लोगों में किसी विशिष्ट स्थिति को खोजने के दौरान एक सामान्य चुनौती है।
हालांकि परिणाम उत्साहजनक हैं, शोधकर्ता इस बात का दावा करने में सावधानी बरतते हैं कि उन्होंने ड्राइविंग के माध्यम से अवसाद का निदान करने का एक सटीक तरीका खोज लिया है। यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' था, जो यह दिखाता है कि नियंत्रित सिमुलेशन में यह विचार काम करता है, लेकिन यह अंतिम समाधान नहीं था। डेटा केवल साठ-नौ लोगों से आया था, और अध्ययन में दो अलग-अलग प्रकार के सिम्युलेटर का उपयोग किया गया था, जिसके लिए शोधकर्ताओं को डेटा को मिलाने के लिए अतिरिक्त काम करना पड़ा। कंप्यूटर मॉडल को भी अपेक्षाकृत कम लोगों पर प्रशिक्षित किया गया था, जो इस बात को सीमित करता है कि उन्हें सामान्य जनता पर कितनी आत्मविश्वास के साथ लागू किया जा सकता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में बहुत अधिक ड्राइवरों को शामिल करने की आवश्यकता है और शायद परिणामों को बेहतर ढंग से समझने के लिए और भी उन्नत कंप्यूटर तकनीकों का उपयोग करने की आवश्यकता है। फिलहाल, यह अध्ययन एक नया दृष्टिकोण प्रदान करता है: अवसाद किसी व्यक्ति के ड्राइविंग करने के तरीके पर एक सूक्ष्म लेकिन पता लगाने योग्य छाप छोड़ता है, एक ऐसा पैटर्न जिसे मशीनें पढ़ सकती हैं, भले ही मानवीय आँखें इसे मिस कर दें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।