通过大语言模型指导的概念集成从移动传感数据进行可解释的预测

移动传感能够对日常环境中的行为和生理模式进行纵向监测。然而，在小队列健康感知研究中，准确预测仍然具有挑战性，其中特定任务的结果监督相对于异构感知数据而言是有限的。可解释性也很重要，因为模型输出应该反映有意义的行为和生理模式，而不仅仅是预测分数。我们开发了一种概念集成Transformer（CIT），具有大语言模型指导的概念监督，可根据移动传感数据进行可解释的预测。 CIT 使用预训练的大语言模型来生成具有置信权重的基线感知概念异常目标，无需手动概念注释。在两个纵向数据集上，CIT 在 AFFECT 上获得最高的 F1 分数 (0.756)，并在 PHQ-9 数据集上获得最高的 F1 分数 (0.765)。学到的概念分数还揭示了可解释的行为和生理模式；在情感中，睡眠数量和质量在高负性情感组和低负性情感组之间表现出最明显的差异。这些发现支持大语言模型指导的概念整合，以在小队列移动传感研究中进行准确且可解释的预测。