使用基于睡眠阶段心率波动的机器学习模型识别严重抑郁症患者,用于医院前查
Duyan Geng1, Qiang An2, Zhigang Fu3
1Hebei University of Technology, School of Electrical Engineering, State Key Laboratory of Reliability and Intelligence of Electrical Equipment Co-constructed by Province and Ministry, Tianjin, 300400, China; Hebei Key Laboratory of Electromagnetic Field and Electrical Reliability, School of Electrical Engineering, Hebei University of Technology, Tianjin, 300400, China.
Computers in biology and medicine
|June 8, 2023
概括
这项研究开发了一种可解释的机器学习模型,用于大抑郁症 (MDD) 查,使用心率变化来自心电图信号. 性别显著影响预测的准确性,突出其在辅助诊断中的重要性.
科学领域:
- 心脏病学 心脏病学
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 由于COVID-19的流行,远程医疗解决方案的需求增加了.
- 家庭健康监测对于诊断精神健康障碍至关重要,包括主要抑郁症 (MDD).
研究的目的:
- 提出一种可解释的机器学习 (ML) 方法,以优化男性和女性患者中MDD的初始查.
- 分析心电图 (ECG) 信号以检测MDD.
主要方法:
- 在夜间睡眠期间利用了来自斯坦福技术分析和睡眠基因组研究 (STAGES) 的5分钟短期心电图信号.
- 分析了40名MDD患者和40名健康对照者的数据,性别比例为1:1.
- 计算了心率变化 (HRV) 的时间频率参数,并采用了机器学习算法,包括贝叶斯优化极端随机树分类器 (BO-ERTC),用于分类和特征重要性分析.
主要成果:
- 博-ERTC实现了高性能,精度为86.32%,特异性为86.49%,灵敏度为85.85%,F1得分为0.86.
- 特性重要性分析显示,性别是影响该模型对MDD的预测的关键因素.
- 拟议的方法适合集成到便携式心电图监测系统中.
结论:
- 从心电图信号中使用HRV的可解释的ML模型可以有效地帮助MDD查.
- 性别必须被认为是MDD辅助诊断的一个重要因素.
- 这种方法为远程心理健康监测和诊断提供了一个有希望的工具.
