基于近红外光谱的功能性诊断支持系统,使用机器学习方法区分轻度和重度抑郁症

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学

背景情况:

• 早期诊断抑郁症对于有效治疗至关重要.
• 需要客观的诊断工具来支持心理健康专业人员.

研究的目的:

• 开发使用fNIRS数据区分严重抑郁和轻度抑郁的预测模型.
• 评估机器学习算法在分类抑郁症严重程度方面的有效性.

主要方法:

• 收集了 140 名受试者的 fNIRS 数据,这些受试者在进行口语流利任务时.
• 应用CEEMDAN-WPT来降低噪音,并从前额道中提取时间 (TF) 和相关性 (CF) 特性.
• 利用递归特征消除和机器学习进行分类.

主要成果:

• 与单独使用TF和CF功能相比,结合TF和CF功能提高了分类准确性.
• 一个基于SVM的模型在区分抑郁症严重程度方面取得了92.8%的准确性.
• 该模型在嵌套交叉验证中表现出色.

结论:

• 开发的模型有效地区分轻度和重度抑郁.
• fNIRS与机器学习相结合,显示出作为客观辅助诊断方法的前景.