Prediction of Stress-Induced Substance Use via a Multimodal Data Acquisition Framework and an Ensemble Machine Learning Model

Abstract

Listen in: English (British) Español (España) Name: Loading voices… ▶ Listen to Abstract Pause Stop Speed: 0.75x1x 1.25x1.5x

Predicción del consumo de sustancias inducido por el estrés mediante un marco multimodal de adquisición de datos y un modelo de aprendizaje automático de conjunto Autores: Bijoy Chhetri - J C Bose University of Science and Technology, Faridabad (IN) Lalit Mohan Goyal - J C Bose University of Science and Technology, Faridabad (IN) Mamta Mittal - Delhi Skill and Entrepreneurship University (IN) Resumen Comprender los episodios de consumo de sustancias relacionados con el estrés constituye un área de investigación fundamental, ya que ofrece nuevas perspectivas sobre la asociación entre el estrés y las conductas de consumo de sustancias. Los métodos existentes suelen limitarse al análisis de datos autoinformados o de señales fisiológicas aisladas, sin proporcionar un análisis contextual en tiempo real. Este estudio propone un enfoque multimodal para la adquisición de datos y una técnica de aprendizaje automático de conjunto con el fin de analizar cómo el estrés afecta al comportamiento de consumo de sustancias de una persona. El conjunto de datos se obtuvo mediante sensores portátiles y un cuestionario de evaluación del estrés psicológico con una escala de intensidad del craving. Se recopiló un conjunto de datos compuesto por 1.325 instancias procedentes de 53 participantes voluntarios en entornos certificados de recuperación del noreste de la India. Además, se propone un modelo de aprendizaje automático Ensemble Random Forest basado en fusión (ERFML) para analizar un conjunto de datos integrado de características fisiológicas, psicológicas y relacionadas con el craving. Los experimentos mostraron que el modelo propuesto alcanzó una mayor precisión predictiva (AUC = 0,95) para el consumo de sustancias inducido por el estrés. Asimismo, se identificó una correlación positiva entre el estrés y el craving (r = 0,73). Del mismo modo, las características de la frecuencia cardíaca y la actividad electrodérmica reflejaron desequilibrios fisiológicos que se producen durante el estrés (r = 0,60). Se observó que aproximadamente el 70 % de los episodios de craving coincidían con niveles elevados de estrés dentro de una ventana temporal definida, en la que las mediciones de estrés y craving estaban alineadas en el mismo momento o en el paso temporal inmediatamente anterior. El modelo se validó adicionalmente mediante validación cruzada Leave-One-Subject-Out para garantizar una capacidad de generalización independiente del sujeto. Este modelo basado en fusión proporciona una predicción mejorada de la vulnerabilidad a la adicción mediante el uso de bioseñales obtenidas con dispositivos portátiles y evaluaciones psicológicas, con el objetivo de apoyar la gestión de las recaídas y la recuperación durante el tratamiento.

The importance of understanding stress-related substance use episodes is a key research area, as it offers new insight into the association between stress and substance use behaviours. Existing methods are typically limited to analysing self-reported or isolated physiological signals, without providing real-time contextual analysis. This study proposes a multimodal approach for data acquisition and an ensemble machine learning technique to analyse how stress affects an individual’s substance use behaviour. The dataset was acquired using wearable sensors and a psychological stress assessment questionnaire with a craving intensity scale. A dataset consisting of 1,325 instances was acquired from 53 voluntary participants in certified recovery environments in North-East India. Furthermore, a fusion-based Ensemble Random Forest Machine Learning (ERFML) model is proposed to analyse an integrated dataset of physiological, psychological, and craving features. It has been observed from the experiments that the proposed model has higher prediction accuracy (AUC=0.95) for stress-induced substance use. Furthermore, a positive correlation between stress and craving was identified (r=.73). Likewise, heart rate and electrodermal activity features reflect physiological imbalances that take place during stress(r=0.60). Approximately 70% of craving instances were observed to co-occur with elevated stress levels within a defined temporal window, where stress and craving measurements were aligned at the same or preceding time step. The model is further validated using Leave-One-Subject-Out cross-validation to ensure subject-independent generalisability. This fusion-based model provides enhanced prediction of addiction vulnerability prediction using wearable biosignals and psychological assessments to manage relapse and recovery during treatment.