在全国代表性样本中使用被动收集的可穿戴运动数据检测主要抑郁症的存在

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 大型抑郁症 (MDD) 由于其异质性而带来诊断挑战.
• 睡眠和运动模式的变化是MDD检测的潜在早期指标.
• 患者健康问卷-9 (PHQ-9) 是MDD的标准查工具.

研究的目的:

• 调查手腕穿戴的动图数据对于检测MDD的有效性.
• 将机器学习 (ML) 和深度学习 (DL) 技术应用于MDD识别的数据.
• 为了确定与MDD相关的特定的动图学衍生生物标志物.

主要方法:

• 利用了来自NHANES研究的8378名参与者的分钟级动图数据.
• 采用了两种ML方法:传统的ML与特征导出和深度学习卷积神经网络 (CNN) 与格拉米安角场转换.
• 我们比较了这些ML策略在检测MDD方面的有效性.

主要成果:

• 与运动相关的特征在传统的ML方法中对MDD检测的影响最大.
• 夜间运动成为CNN识别MDD的方法中最重要的特征.
• 通过ML分析的动图学数据显示了MDD检测的潜力.

结论:

• 被动收集的动图数据具有改善MDD的理解,诊断和治疗的巨大潜力.
• ML和DL技术可以有效地利用动图数据来识别患有MDD的个人.
• 通过动图捕获的运动模式作为MDD的有价值的生物标志物.