在接受睡眠剥夺治疗的急性抑郁症患者中,暂时抑郁症严重性预测:基于语音的机器学习方法

科学领域:

• 数字健康数字健康
• 计算精神病学是一种计算精神病学.
• 语音信号处理 语音信号处理

背景情况:

• 移动设备使远程监控患者成为可能,这对于管理重复性疾病,如严重抑郁症至关重要.
• 纵向语音数据分析被探索用于预测暂时抑郁症严重程度.
• 在住院治疗期间的睡眠剥夺治疗为研究抑郁症状变化提供了一个快速模型.

研究的目的:

• 评估多参数机器学习 (ML) 模型是否与统计分析相比,提高了抑郁症严重程度的预测.
• 确定使用语音特征进行个性化预测的最有效的数据分割策略.
• 从纵向语音数据来评估ML在预测瞬间抑郁症严重性的有用性.

主要方法:

• 在30名住院患者的语音特征上训练和评估了500多个ML管道 (例如随机森林,极端梯度增强).
• 使用 audEERING 工具包和语音速率提取了 89 个声学特征.
• 测试了五种火车测试分割场景:五倍交叉验证,5倍交叉验证,留下一个主体,按时间顺序,奇偶和随机分割.

主要成果:

• 使用极端梯度提升的奇偶平分实现了最高的性能 (R2=0.339,MAE=0.38,P<.001).
• 该模型使用语音特征预测了33.9%的抑郁症严重程度差异.
• 组5倍交叉验证,留下一个受试者,并按时间划分,产生了与随机机会统计学上不不同的结果.

结论:

• 使用语音特征的ML模型与以前的多层模型相比,显示出更好的预测性能.
• 目前的ML模型很难预测未见的患者的抑郁症得分.
• 未来的个性化ML模型有可能提高抑郁症预测和患者管理.