MDDBranchNet:使用心电图信号检测主要抑郁症的深度学习模型

科学领域:

• 心脏病学 心脏病学
• 神经科学是一个神经科学.
• 人工智能的人工智能

背景情况:

• 大型抑郁症 (MDD) 显著影响幸福感,而且往往是晚诊断,增加了自杀风险.
• 目前的监测方法,如EEG是不切实际的日常生活,而可穿戴的心电图传感器提供了一个可行的替代方案.
• 传统的机器学习用于MDD检测依赖于复杂的,计算密集的心率变化特征.

研究的目的:

• 开发一种深度学习模型,以使用单通道心电图来早期,可访问地检测重度抑郁障碍 (MDD).
• 研究ECG衍生信号和并行分支架构的有效性,以改进MDD分类.
• 确定最佳的信号处理参数,以在现实条件下可靠地检测MDD.

主要方法:

• 提出了MDDBranchNet,这是一个平行分支深度学习模型,用于从单通道心电图对MDD进行二进制分类.
• 将来自心电图的信号,包括R-R间隔和水平可见度图的时间序列纳入模型.
• 通过使用20秒重叠的心电图段来评估性能,并分析了不同记录位置的预测.

主要成果:

• 通过使用衍生信号分支,MDDBranchNet模型实现了大约7%的显著准确度增加.
• 最佳的20秒重叠细分和70%的预测值最大限度地提高了MDD检测,同时最大限度地减少了假阳性.
• 该模型在各种信号摘录位置上展示了一致的性能,这表明在整个心电图记录中均的MDD表现.

结论:

• MDDBranchNet提供了一种有前途,准确和计算效率高的方法,用于使用单通道心电图在家中检测MDD.
• 使用衍生ECG信号和并行分支架构显著提高了分类性能.
• 这些发现支持了对重大抑郁症早期干预的持续,不引人注目的监测的潜力.