使用机器学习组合和面部特征检测患有精神病的危险心理状态 (ARMS)
Alexandre Andrade Loch1, João Medrado Gondim2, Felipe Coelho Argolo3
1Laboratório de Neurociencias (LIM 27), Instituto de Psiquiatria, Hospital das Clínicas HCFMUSP, Faculdade de Medicina, Universidade de Sao Paulo, Sao Paulo, SP, Brazil; Instituto Nacional de Biomarcadores em Neuropsiquiatria (INBION), Conselho Nacional de Desenvolvimento Científico e Tecnológico, Brazil.
Schizophrenia research
|July 20, 2023
概括
机器学习使用面部视频数据准确地识别了患有精神病风险精神状态 (ARMS) 的个人. 这种方法显示出大规模,低资源的心理健康查的前景.
科学领域:
- 精神病学是一个精神病学.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 早期识别患有精神病风险精神状态 (ARMS) 对于及时干预至关重要.
- 目前的选方法可能资源密集,可能不适合大规模应用.
- 面部数据为评估心理状态提供了一种非侵入性的模式.
研究的目的:
- 开发和验证机器学习组合模型,以区分ARMS受试者与健康对照者.
- 为了这个分类任务,利用从视频录制中提取的面部特征.
- 评估模型的性能及其对大规模,低资源选的潜力.
主要方法:
- 从一般人群中编制了58名ARMS和70名健康个体的数据集.
- 从短视频录音中提取了面部特征 (例如面积比,欧勒角,地标坐标).
- 一个渐变增强机组合,包括AdaBoost和随机森林,用于特征选择和分类,数据分为训练和验证.
主要成果:
- 开发的机器学习模型实现了平均F1得分为83%,平衡精度为85%.
- 该模型表现出高分辨能力,接收机操作员曲线下的平均面积为93%.
- 融合有效性得到了模型特征和与避免和情绪表达相关的特定SIPS项目之间的显著相关性.
结论:
- 机器学习模型有效地区分了ARMS受试者与使用面部数据从简短视频录制的控制器.
- 这些发现表明该模型在各种环境中对大规模,经济高效的心理健康查具有潜在的实用性.
- 该研究强调了利用易于获得的视频数据来早期发现精神病风险的可行性.
