情绪障碍严重程度和亚型分类使用多模式深度神经网络模型
Joo Hun Yoo1,2, Harim Jeong2,3, Ji Hyun An4
1Department of Artificial Intelligence, Sungkyunkwan University, Suwon 16419, Republic of Korea.
Sensors (Basel, Switzerland)
|January 26, 2024
概括
本研究介绍了使用心率变化 (HRV) 数据的深度学习算法,以分类情绪障碍的亚型和严重程度. 这种新的方法显著提高了主要抑郁症,焦虑症和双相情感障碍的诊断准确度.
科学领域:
- 生物医学工程 生物医学工程
- 计算精神病学是一种计算精神病学.
- 神经科学是一个神经科学.
背景情况:
- 情绪障碍的诊断依赖于主观评估和有限的工具.
- 心率变化 (HRV) 数据为自主神经系统平衡提供了洞察力.
- 现有的HRV分析的统计方法在情绪障碍分类方面存在局限性.
研究的目的:
- 开发和评估用于情绪障碍亚型和严重程度分类的新型算法.
- 将深度学习模型的性能与传统的统计分析进行比较.
- 探索多模式HRV数据分析对精神病诊断的有用性.
主要方法:
- 收集与心脏相关的数据,包括时间和频率域HRV变量.
- 开发了使用多式联络深度神经网络分析的三种情绪障碍分类算法.
- 将深度学习模型的性能与已建立的统计分析方法进行比较.
主要成果:
- 深度学习分析表明,主要抑郁障碍 (MDD),焦虑障碍 (AD) 和双极障碍 (BD) 的分类准确性分别提高了0.118,0.231和0.125.
- 对HRV数据的多模式分析增强了情绪障碍亚型和严重程度的识别.
- 提出的深度学习方法在分类任务中表现优于传统的统计方法.
结论:
- 对HRV生物标记数据的深度学习分析显示,HRV生物标记数据作为精神健康诊断的主要工具具有前景.
- 这种方法可以帮助精神病医生客观地诊断情绪障碍并评估当前情绪状况.
- 多模式HRV分析提供了一种新的,数据驱动的方法来提高精神病诊断的准确性.


