Рекомендаційна система полегшення проблем ментального здоров’я

Abstract

Близько одного мільярда людей по всьому світі страждають від проблем ментального характеру. Вісім мільйонів припадає на Україну. Беручи до уваги ситуацію по всьому світу під час локдауну спричиненого пандемією COVID-19 кількість людей, які скаржаться на нестабільний стан свого ментального здоров’я збільшилась. На сьогоднішній день професійна медицина доступна далеко не всім. У країнах з нестабільним рівнем доходу лише 20% населення може дозволити собі відвідувати лікаря-психотерапевта та отримувати професійне лікування. Рекомендаційна система для полегшення проблем ментального здоров'я є досить нестандартним рішенням, проте досить дієвим. Рекомендаційні системи є надзвичайно поширеним явищем в комерції та сфері розваг. Проте в сфері охорони здоров’я рекомендаційні системи ще не набули такої популярності. Однією з причин є складність персоналізації рекомендаційної системи. Адже кожна людина навіть з однаковим діагнозом може потребувати різної терапії. Для цього необхідне глибинне знання в домені вирішувальної проблеми. Об’єктом дослідження виступають вправи та рекомендації розроблені для полегшення проблем ментального здоров’я. Предметом дослідження даної магістерської роботи є аналіз алгоритмів та методів створення рекомендаційної системи. Метою даної роботи є розробка рекомендаційної системи, яка могла б надати допомогу людям, які стикаються з ментальними проблемами. Така система рекомендацій не може слугувати єдиним джерелом отримання допомоги, але являється хорошою альтернативою в період карантину або не здатності людини отримати будь-яку професійну допомогу. На даний момент, створення і застосування рекомендаційних систем в сфері здоров'я стає все популярнішим. У першому розділі досліджено актуальність створення рекомендаційних систем в домені охорони здоров'я та наведені приклади вже жіснуючих систем для корегування проблем зі здоров'ям таких як ожиріння, цукровий діабет, алкогольна залежність, тощо. Також в загальному вигляді описано методи створення рекомендаціних систем. Другий розділ магістерської роботи присвячений побудові та аналізу дерева цілей. Дерево цілей допомагає визначити генеральну мету та цілі створення проекту. Для опису системного проектування були побудовані UML -діагарами та наданий опис вхідних та вихідних даних. На сьогоднішній день дана рекомендаційна система немає аналогів як таких. Проте доцільно зауважити, що вже існують різноманітні платформи та додатки для людей з проблемами ментального здоров'я. Саме тому проведений аналіз декількох концептуально схожих систем. У третьому розділі пояснено підхід до створення рекомендаціної системи. Дана рекомендаційна система базується на колаборативному методі фільтрації даних. Одна з найбільш популярних методик генерування рекомендацій – це моделі, засновані на факторизації матриць [1]. Факторизація – це операція розкладання об'єкта (число, матриця) на його прості складові для того, щоб виділити ключові компоненти цього об’єкту. Цей підхід засновується на минулих оцінках користувача та керується твердженням, що якщо два користувачі в минулому надали однакову оцінку об’єкту, то вони схильні надавати однакові оцінки в майбутньому. В даному випадку. Якщо два користувачі оцінили одну і ту саму вправи однаково, то їхні рекомендації в майбутньому будуть теж схожими. Четвертий розділ містить опис розробленої системи та обґрунтування використаних інструментів, алгоритмів та взаємодій між ними. Дипломна робота також включає п'ятий розділ, метою якого є доведення економічної доцільності розробленого продукту.About one billion people around the world suffer from mental health problems. Eight million are in Ukraine. Considering the situation around the world during the lockdown caused by the COVID-19 pandemic, the number of people who complain of their unstable mental health has increased. Today, professional medicine is not available to everyone. In countries with precarious income levels, only 20% of the population can afford to see a psychotherapist and receive professional treatment. A recommendation system for alleviating mental health problems is a rather non-standard solution, but quite effective. Recommender systems are very common in commerce and entertainment. However, in the healthcare sector, recommender systems have not yet gained such popularity. One of the reasons is the difficulty in personalizing the recommendation system. After all, every person, even with the same diagnosis, may need different therapy. This requires in-depth knowledge in the domain of the problem solving. The object of the research is exercises and recommendations designed to alleviate mental health problems. The subject of this master's thesis is the analysis of algorithms and methods for creating a recommendation system. The aim of this thesis is to investigate and develop a recommendation system that could help people who face mental problems. This recommendation system cannot be considered the only source of treatment, but it is a good alternative during a quarantine period or when a person is unable to receive any professional help. At the moment, the development of recommender systems in the field of healthcare is becoming more and more popular. The first chapter explores the relevance of creating recommender systems in the healthcare domain and provides examples of existing systems for correcting health problems such as obesity, diabetes, alcohol addiction, etc. Methods for creating recommender systems are also described in general terms. The second chapter of the master's thesis is devoted to the construction and analysis of the goal tree. The goal tree helps to define the general goals and objectives of the project. To describe systems engineering, UML diagrams were built, and input and output data were described. To date, this recommendation system has no analogues as such. However, it is worth noting that there are various platforms and applications for people with mental health problems. That is why the analysis of several conceptually similar systems has been carried out. The third chapter explains the approach to creating a recommendation system. This recommendation system is based on a collaborative filtering method. One of the most popular techniques for generating recommendations is matrix factorization models [1]. Factorization is the operation of decomposing an object (number, matrix) into its simple components in order to highlight the key components of this object. This approach is based on the user's past ratings and is guided by the assertion that if two users have given the same rating to an item in the past, they tend to give the same rating in the future. In this case. If two users rated the same exercise the same, then their recommendations in the future will also be similar. The fourth chapter contains a description of the developed system and the rationale for the tools, algorithms, and interactions between them. The master's thesis also includes the fifth section, the purpose of which is to prove the economic feasibility of the developed product