Detailansicht
Optimizing exposure therapy protocols using reinforcement learning
Lisa Tomasiak
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Sebastian Tschiatschek
Mitbetreuer*in
Filip Melinšcak
DOI
10.25365/thesis.75913
URN
urn:nbn:at:at-ubw:1-26384.52963.631717-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Während sich Reinforcement Learning (RL) bereits erfolgreich für einige Anwendungen im Gesundheitswesen erwiesen hat, ist dessen Potential im Bereich der mentalen Gesundheit noch nicht umfassend erforscht. Ziel dieser Masterarbeit ist die Untersuchung der Nutzbarkeit von RL Algorithmen für die Optimierung von Protokollen für Expositionstherapien, der Standardbehandlung bei Angststörungen wie z.B. Phobien. In der vorliegenden Arbeit werden Simulationen durchgeführt, in denen PatientInnen durch mathematische, assoziative Lernmodelle (z.B. das Rescorla-Wagner Modell) repräsentiert werden und ein RL Algorithmus versucht Expositionstherapie-Protokolle zu optimieren, mit dem Ziel negative Assoziationen wirksam auszulöschen. Untersuchungen verschiedener Parameter der Patientenmodelle, Einstellungen bezüglich der RL Umgebung, sowie Hyperparameter des RL Modells werden präsentiert. Die Ergebnisse zeigen, dass einzelne Parameter, wie die Anzahl der Expositionen pro Expositionsprotokoll oder die Formulierung der Reward-Funktion, einen bedeutenden Einfluss auf die Fähigkeit des RL Agenten haben, erfolgreich ein Angst reduzierendes Expositionsprotokoll zu identifizieren. Es konnte weiters gezeigt werden, dass Simulations-Einstellungen, die für ein Patientenmodell optimiert wurden, auf andere, ähnliche Patientenmodelle übertragbar sind und dabei zu vergleichbaren Ergebnissen führen.
Abstract
(Englisch)
Although Reinforcement Learning (RL) has shown promise in healthcare, its potential in improving mental health treatments has not yet been explored comprehensively. The aim of this master thesis is to investigate the potential of RL algorithms for the optimization of Exposure Therapy (ET) protocols, which are commonly used for treating Anxiety Disorders and Anxiety-Related Disorders, such as phobias. Specifically, simulation studies are conducted where computational associative learning models (such as the Rescorla-Wagner model) are used as a stand-in for patients and an RL algorithm aims to optimize an ET protocol with the goal of robustly extinguishing negative associations. To this end, an investigation on different patient model parameters, RL environmental settings and RL model hyperparameters is performed. The results suggest that parameter settings like the number of extinction trials and the formulation of the reward function have a significant impact on the RL agent’s ability to find an efficient ET protocol successfully extinguishing a patient’s fear and that optimized simulation settings can be transferred from one patient model to other related ones, achieving comparable results.
Schlagwörter
Schlagwörter
(Deutsch)
Reinforcement Learning Angststörungen Latent Cause Theorie Mentale Gesundheit
Schlagwörter
(Englisch)
Reinforcement Learning Anxiety Disorders Latent Cause Theory Mental Health
Autor*innen
Lisa Tomasiak
Haupttitel (Englisch)
Optimizing exposure therapy protocols using reinforcement learning
Paralleltitel (Deutsch)
Optimierung von Expositionstherapie-Protokollen unter Verwendung von Reinforcement Learning
Publikationsjahr
2024
Umfangsangabe
x, 101 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Sebastian Tschiatschek
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17194141
Utheses ID
71232
Studienkennzahl
UA | 066 | 910 | |