通过深度学习通过活动跟踪和睡眠数据进行老年抑郁和焦虑查

科学领域:

• 老年精神病学是一门精神病学专业.
• 计算神经科学是一种计算神经科学.
• 数字健康数字健康

背景情况:

• 老年人的抑郁和焦虑是常见的情绪障碍,与痴呆症发病有关.
• 目前的诊断方法,包括自我报告和临床评估,可能是不舒服的,容易导致错误报告,耗时且昂贵.
• 需要有系统,具有成本效益的方法来诊断老年人的这些疾病.

研究的目的:

• 通过使用时间序列活动跟踪和睡眠数据,研究训练端到端深度学习 (DL) 模型的可行性.
• 通过直接输入来自消费级手腕运动追踪器的数据,在老年人中识别并发性抑郁和焦虑.
• 开发一种新的方法来识别老年人群中的心理健康状况.

主要方法:

• 利用了手腕运动追踪器的时间序列数据,包括步数和睡眠阶段.
• 纳入最小的抑郁和焦虑评估得分作为非时间序列数据用于模型输入.
• 应用各种深度学习模型 (CNN,LSTM,ResNet) 进行混合输入数据处理和多标签分类.

主要成果:

• 在使用残余网络 (ResNet) 实现了抑郁和焦虑多标签分类的显著结果,Hamming损失为0.0946.
• 通过比较超参数性能和开发各种DL模型,优化时间序列数据处理.
• 基于活动跟踪数据,证明了混合输入DL模型的有效性.

结论:

• 这项研究是第一个使用活动跟踪数据开发混合输入DL模型,用于识别晚年抑郁和焦虑.
• 研究结果强调了消费者级活动跟踪器和DL模型在改善老年人心理健康状况识别方面的潜力.
• 在老年人群中建立了复杂的抑郁和焦虑症状的多标签分类框架.