Federated Learning verbessert Stimmungserkennung über Ländergrenzen hinweg

Stimmunginstabilität gilt als entscheidender Indikator für psychische Gesundheit, doch klassische Befragungen erfassen sie nur sporadisch und retrospektiv. Durch die passive Erfassung von Smartphone‑Daten im Alltag lassen sich Stimmungen kontinuierlich ableiten – ein Ansatz, der jedoch mit Datenschutz‑Bedenken, unregelmäßiger Sensorverfügbarkeit und stark variierenden Verhaltensmustern konfrontiert ist.

Um diese Hürden zu überwinden, wurde ein federiertes Lernmodell entwickelt, bei dem jedes Land als eigenständiger Client agiert und seine Daten lokal behält. Das neue Framework, FedFAP, berücksichtigt die heterogenen Sensormodalitäten und ermöglicht eine feature‑bewusste, personalisierte Modellbildung ohne zentrale Datenaggregation.

In Tests mit geografisch und kulturell unterschiedlichen Populationen erreichte FedFAP einen AUROC von 0,744 – deutlich besser als zentrale Ansätze und bestehende personalisierte Federated‑Learning‑Baselines. Die Ergebnisse liefern wertvolle Erkenntnisse für die Gestaltung von stimmungs‑sensiblen Systemen und zeigen, wie populations‑angepasste Personalisierung in Kombination mit datenschutzfreundlichem Lernen skalierbare, mobile Stimmungs‑Erkennung ermöglicht.