单极和双极抑郁症检测和分类基于动力活动的动图注册,使用机器学习和统一的多重近似和投影方法
Mohammed Zakariah1, Yousef Ajami Alotaibi2
1Department of Computer Science, College of Computer and Information Sciences, King Saud University, Riyadh P.O. Box 11442, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
穿戴式传感器可以通过分析运动活动来客观地跟踪抑郁症症状. 这项研究使用机器学习和UMAP来实现从传感器数据中检测抑郁症的高精度.
科学领域:
- 数字健康数字健康
- 计算精神病学是一种计算精神病学.
- 医疗保健中的机器学习
背景情况:
- 可穿戴式传感器产生了超出基本活动跟踪的丰富数据,为客观健康监测提供了潜力.
- 目前的抑郁症评估方法,如蒙哥马利-阿斯伯格抑郁症评分表 (MADRS),是主观的和劳动密集的.
- 需要客观,可扩展的方法来检测和监测抑郁症等心理健康状况.
研究的目的:
- 从抑郁症患者和健康对照中引入传感器衍生的运动活动的新型数据集.
- 研究机器学习算法的有效性,包括UMAP,用于从传感器数据中检测抑郁症.
- 探索运动活动模式与抑郁症状严重程度之间的关系.
主要方法:
- 从32名健康对照组和23名单极/双极抑郁症患者中收集了连续传感器数据 (运动活动).
- 使用UMAP (统一多边近似和投影) 进行无监督的维度缩小.
- 利用各种机器学习分类器 (例如,最近邻居,SVM,高斯过程,随机森林,QDA) 来检测抑郁症.
主要成果:
- 最初的模型培训显示了阶级不平衡带来的挑战 (科恩·卡帕<0.1).
- 第二个实验通过UMAP缩小维度和机器学习实现了高精度 (0.991).
- 结合UMAP和神经网络,在抑郁症检测方面表现最好.
结论:
- 传感器数据,特别是运动活动,具有客观抑郁监测的巨大潜力.
- 结合机器学习分类器的UMAP,为准确的抑郁症检测提供了一个有希望的方法.
- 进一步的研究将传感器衍生的数据与临床抑郁症评级相关联,可以提高理解和治疗.
