GLOBEM Dataset: Multi-Year Datasets for Longitudinal Human Behavior Modeling Generalization

We present the first multi-year mobile sensing datasets. Our multi-year data collection studies span four years (10 weeks each year, from 2018 to 2021). The four datasets contain data collected from 705 person-years (497 unique participants) with diverse racial, ability, and immigrant backgrounds. Each year, participants would install a mobile app on their phones and wear a fitness tracker. The app and wearable device passively track multiple sensor streams in the background 24×7, including location, phone usage, calls, Bluetooth, physical activity, and sleep behavior. In addition, participants completed weekly short surveys and two comprehensive surveys on health behaviors and symptoms, social well-being, emotional states, mental health, and other metrics. Our dataset analysis indicates that our datasets capture a wide range of daily human routines, and reveal insights between daily behaviors and important well-being metrics (e.g., depression status). We envision our multi-year datasets can support the ML community in developing generalizable longitudinal behavior modeling algorithms.

本报告首次推出跨年度的移动感知数据集。我们的跨年度数据收集研究涵盖四年时间（每年十周，自2018年至2021年）。这四个数据集包含了来自705人年（497位独特参与者）的数据，这些参与者拥有多样化的种族、能力及移民背景。每年，参与者都会在他们的手机上安装一款移动应用，并佩戴一款健身追踪器。应用和可穿戴设备在24小时不间断的背景下被动地追踪多种传感器数据流，包括地理位置、电话使用、通话、蓝牙、身体活动和睡眠行为。此外，参与者还需完成每周的简要调查以及两次关于健康行为和症状、社会福祉、情绪状态、心理健康及其他指标的全面调查。我们的数据集分析表明，这些数据集捕捉了广泛的人类日常活动模式，并揭示了日常行为与重要福祉指标（例如，抑郁状态）之间的关联。我们预期，我们的跨年度数据集能够支持机器学习社区开发通用的纵向行为建模算法。

搜集汇总

背景与挑战

背景概述

GLOBEM数据集是一个多年度、多模态的纵向人类行为数据集，包含四年的手机和可穿戴设备传感器数据（如位置、睡眠、活动）及心理健康问卷调查，覆盖705人年的多样化参与者群体。其核心目标是促进可泛化行为建模算法的开发，尤其关注抑郁症状与日常行为的关联分析。