通过心率变量的差异激活的测量对于青少年的MDD歧视
Chong Li1, Yuqing Yang2, Weijie Wang2
1Department of Psychiatry, Zhujiang Hospital, Southern Medical University, No. 253, Industrial Avenue Zhong, Guangzhou, Guangdong, China.
Journal of affective disorders
|February 6, 2025
概括
不同激活 (DA) 理论与心率变化 (HRV) 数据相结合,为识别患有重大抑郁症 (MDD) 的年轻人提供了一种有效的方法. 机器学习模型,特别是深度学习,在这种识别过程中显示出高准确性.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 大型抑郁症 (MDD) 显著影响年轻人的心理社会功能和生活质量.
- 在青少年中有效识别MDD对于及时干预和治疗至关重要.
- 当前的诊断方法可以从补充的客观措施中受益.
研究的目的:
- 评估差异激活 (DA) 导向识别器的有效性,以识别患有MDD的青少年患者.
- 探索心率变化 (HRV) 数据与DA理论结合用于MDD检测的实用性.
- 为了比较各种机器学习和深度学习模型在MDD分类中的性能.
主要方法:
- 收集了50名被诊断患有MDD的青少年和53名健康对照者的心率变化 (HRV) 数据和人口统计信息.
- 开发了六个不同的数据集:基线,压力,休息,差异激活期,差异值 (压力休息) 和组合数据集.
- 在生成的数据集上训练和比较机器学习和深度学习模型,包括长短期记忆 (LSTM) 网络.
主要成果:
- 使用差异激活 (DA) 期和集成数据集的模型表现出卓越的性能.
- 长短期记忆 (LSTM) 深度学习模型在所有数据集中实现了最高的准确性.
- 在集成数据集中,LSTM模型报告了0.806的平均交叉验证准确度,0.805的AUC和0.863的AUPRC.
结论:
- 差异激活 (DA) 理论与心率变化 (HRV) 数据的整合为在年轻人中识别主要抑郁症 (MDD) 提供了一种新且有效的方法.
- 机器学习,特别是像LSTM这样的深度学习模型,在使用生理数据的客观MDD检测方面显示出显著的希望.
- 这种综合方法为更高效,更准确的早期识别青年MDD提供了潜在的途径.
