Predicting depression from driving data using machine learning algorithms

Rijden is een complexe handeling van constante berekening. Een bestuurder moet de weg in de gaten houden, afstanden inschatten, reageren op plotselinge veranderingen en een vaste hand aan het stuur houden, terwijl hij tegelijkertijd een overvloed aan zintuiglijke informatie verwerkt. Wanneer iemand lijdt aan depressie, een aandoening die de stemming, energie en het vermogen om helder na te denken beïnvloedt, kunnen deze mentale middelen schaars worden. Dit roept een praktische vraag op voor veiligheidsexperts: verandert het onzichtbare gewicht van depressie de manier waarop een persoon rijdt? Hoewel eerder onderzoek heeft gekeken naar hoe medicijnen het rijgedrag beïnvloeden, is de directe impact van de mentale staat zelf moeilijker vast te stellen geweest. Sommige studies suggereren dat depressieve bestuurders vatbaarder zijn voor ongelukken, terwijl andere geen duidelijk verband vinden. De moeilijkheid ligt in het feit dat rijgedrag subtiel is en enorm varieert van persoon tot persoon, wat het moeilijk maakt om een patroon te herkennen door simpelweg naar een auto te kijken die over een straat beweegt.

Een team onderzoekers uit Griekenland besloot dit probleem aan te pakken door rijden te transformeren in een stroom van gegevens. Ze rekruteerden eenenzestig gelicenseerde bestuurders, van wie er drieëndertig de diagnose majeure depressie hadden gekregen en dertig niet. In plaats van hen op echte snelwegen uit te sturen, waar weer en verkeer te veel variabelen zouden introduceren, plaatsten de onderzoekers hen in rijsimulatoren. Dit zijn hightech kamers die lijken en aanvoelen als het interieur van een auto, compleet met echte sturen, pedalen en versnellingsbakken, maar ze projecteren een bewegende weg op grote schermen. De deelnemers reden door verschillende scenario's, inclusief snelwegen en stadsstraten met verschillende niveaus van verkeer. De machines registreerden elke beweging die de bestuurders maakten, waarbij gegevens werden vastgelegd zoals snelheid, hoe hard ze de rem indrukten, hoeveel ze het stuur draaiden en hoe ver ze van de auto voor hen bleven. De computers legden deze details ongeveer zestig keer per seconde vast, waardoor een enorme, gedetailleerde logboekregistratie van elke beslissing en reactie ontstond.

De onderzoekers voerden deze berg gegevens vervolgens in een type computerprogramma dat bekend staat als een machine learning-algoritme. Je kunt deze algoritmen zien als een student die leert door naar duizenden voorbeelden te kijken totdat hij een patroon kan ontdekken dat mensen misschien missen. De computer kreeg de opdracht om naar de rijlogs te kijken en te achterhalen welke bestuurders depressief waren en welke niet, uitsluitend op basis van hoe zij reden. Het team probeerde twee verschillende manieren om de gegevens aan de computer te voeren. In de eerste benadering namen ze de volledige rit van elke persoon en vatten deze samen tot één samenvatting, waarbij ze keken naar de gemiddelde snelheid of de typische hoeveelheid beweging van het stuur. In de tweede benadering hielden ze de gegevens als een continue tijdlijn, waardoor de computer kon zien hoe het rijgedrag van een bestuurder zich seconde per seconde veranderde terwijl hij de route navigeerde.

De resultaten toonden aan dat de computer inder으로 inderdaad kon leren het verschil tussen de twee groepen te zien, maar het succes hing af van de wijze waarop de gegevens werden gepresenteerd. Wanneer de onderzoekers de samenvattende benadering gebruikten, was het computermodel zeer succesvol en identificeerde het de depressieve bestuurders in ongeveer vierentwijdertig procent van de gevallen correct. Het model vond dat bepaalde gewoonten opvielen. Zo hadden depressieve bestuurders bijvoorbeeld meer variabele stuurwielbewegingen op de snelweg en hielden ze een meer inconsistente afstand tot de auto voor hen aan in het stadsverkeer. Deze kleine, grillige verschuivingen in gedrag waren de aanwijzingen die de computer gebruikte om zijn oordeel te vellen. Echter, toen de onderzoekers de tweede benadering probeerden, waarbij naar de seconde-per-seconde tijdlijn werd gekeken, had de computer meer moeite. Het had moeite om de gezonde bestuurders van de depressieve te onderscheiden en gokte vaak dat bijna iedereen depressief was. Dit suggereert dat het algemene patroon van het rijden een sterker signaal is dan de fluctuaties van moment tot moment.

De studie onthulde ook iets belangrijks over de aard van de gegevens zelf. De computer vond het veel gemakkelijker om de bestuurders met depressie te identificeren dan om de gezonde bestuurders te identificeren. De rijgedragingen van de depressieve groep waren verrassend consistent met elkaar, alsof ze allemaal op een vergelijkbare, enigszins aarzelende manier reden. De gezonde bestuurders waren daarentegen veel gevarieerder; sommigen reden snel, anderen langzaam, sommigen stuurden scherp en anderen reden vloeiend. Omdat de gezonde groep zo divers was, vond de computer het moeilijker om te definiëren hoe een "normale" bestuurder eruitzag. Deze onbalans maakte het model bevooroordeeld in het opsporen van de depressie, wat een veelvoorkomende uitdaging is bij het proberen te vinden van een specifieke aandoening in een gemengde groep mensen.

Hoewel de resultaten veelbelovend zijn, zijn de onderzoekers voorzichtig met de bewering dat ze een perfecte manier hebben gevonden om depressie te diagnosticeren via rijgedrag. De studie was een bewijs van concept, die liet zien dat het idee werkt in een gecontroleerde simulatie, maar het was geen definitieve oplossing. De gegevens kwamen van slechts eenenzestig mensen, en de studie gebruikte twee verschillende soorten simulaties, wat van de onderzoekers vereiste dat ze extra werk verrichtten om de gegevens gelijk te laten lopen. De computermodellen werden ook getraind op een relatief klein aantal mensen, wat beperkt hoe zelfverzekerd ze kunnen worden toegepast op het algemene publiek. De auteurs suggereren dat toekomstig werk meer bestuurders moet bevatten en wellicht nog geavanceerdere computermethoden moet gebruiken om de resultaten beter te begrijpen. Voor nu biedt de studie een nieuw perspectief: depressie laat een vage maar detecteerbare vingerafdruk achter op de manier waarop een persoon rijdt, een patroon dat machines kunnen leren lezen, zelfs als het menselijk oog het zou missen.