Optimizing the frequency of ecological momentary assessments using signal processing
Notice bibliographique
Résumé
BACKGROUND: Ecological momentary assessment (EMA) is increasingly recognized as a vital tool for tracking the fluctuating nature of mental states and symptoms in psychiatric research. However, determining the optimal sampling rate - that is, deciding how often participants should be queried to report their symptoms - remains a significant challenge. To address this issue, our study utilizes the Nyquist-Shannon theorem from signal processing, which establishes that any sampling rate more than twice the highest frequency component of a signal is adequate. METHODS: We applied the Nyquist-Shannon theorem to analyze two EMA datasets on depressive symptoms, encompassing a combined total of 35,452 data points collected over periods ranging from 30 to 90 days per individual. RESULTS: Our analysis of both datasets suggests that the most effective sampling strategy involves measurements at least every other week. We find that measurements at higher frequencies provide valuable and consistent information across both datasets, with significant peaks at weekly and daily intervals. CONCLUSIONS: Ideal frequency for measurements remains largely consistent, regardless of the specific symptoms used to estimate depression severity. For conditions in which abrupt or transient symptom dynamics are expected, such as during treatment, more frequent data collection is recommended. However, for regular monitoring, weekly assessments of depressive symptoms may be sufficient. We discuss the implications of our findings for EMA study optimization, address our study's limitations, and outline directions for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».