基于SVM和神经网络的混合模型基于早期检测抑郁症的技术集
Dip Kumar Saha1, Tuhin Hossain2, Mejdl Safran3
1Department of Computer Science, American International University-Bangladesh, 1229, Dhaka, Bangladesh.
Scientific reports
|October 27, 2024
概括
这项研究引入了一种先进的组合模型,用于准确检测抑郁症. 混合方法实现了99.39%的准确性,在使用机器学习识别抑郁症方面取得了重大进展.
科学领域:
- 计算精神病学是一种计算精神病学.
- 机器学习在心理健康中的应用.
背景情况:
- 抑郁症患病率不断上升,需要自动检测系统.
- 机器学习 (ML) 和人工神经网络 (ANN) 显示出对心理健康预测的前景.
- 现有的方法需要改进,以进行全面的个体特征分析.
研究的目的:
- 开发一个强大的自动抑郁症检测系统.
- 利用综合的混合模型组合,结合心理和社会人口统计数据.
- 为了提高抑郁症识别的准确性和可靠性.
主要方法:
- 一种组合方法,将支持矢量机器 (SVM) 和多层感知器 (MLP) 作为基础学习器结合起来.
- 一个混合DeprMVM模型被用作ensemble的meta-learner.
- 应用合成少数群体过量采样技术 (SMOTE) 和集群采样,以解决类不平衡和过度拟合问题.
主要成果:
- 拟议的整体模型实现了高精度的99.39%.
- 记录了99.51%的F1得分,表明了强大的预测性能.
- 该方法在同一数据集上进行的先前研究相比,显示出更高的有效性.
结论:
- 开发的整体模型代表了自动抑郁症检测的重大进步.
- 混合方法有效地整合了各种各样的个体特征,以进行准确的诊断.
- 这种方法为早期和可靠的抑郁症识别提供了一个有希望的工具.
