一种通过集合神经网络模型预测产后抑郁症的方法
1School of Smart Health Care, Zhejiang Dongfang Polytechnic, Wenzhou, China.
Frontiers in public health
|April 29, 2025
概括
这项研究引入了一种新的合体神经网络,用于预测产后抑郁症 (PPD). 该模型实现了高准确性和可解释性,为早期PPD识别和干预提供了宝贵的支持.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 计算精神病学是一种计算精神病学.
背景情况:
- 产后抑郁症 (PPD) 对家庭和社会产生重大影响,需要早期检测.
- 现有的用于PPD预测的机器学习模型在实现高精度和可解释性方面面临挑战.
研究的目的:
- 为准确的PPD预测设计一个可解释的集合神经网络模型.
- 为了提高性能,将完全连接的神经网络 (FCNN) 和有脱落的神经网络 (DNN) 结合起来.
主要方法:
- 开发了一个整体模型,将FCNN集成为可解释性和DNN与Dropout集成为通用化.
- 根据训练准确度和放弃值确定模型重量.
- 确保模型稳定性,不仅仅依靠 Dropout 防止过.
主要成果:
- 实现了高性能指标:准确度为0.933,精度为0.958,回忆力为0.939,F1分数为0.948.
- 在准确性,精度,回忆和F1分数方面表现优于10个经典的机器学习分类器.
- 在不同的数据集分割比率中表现出高稳定性.
结论:
- 拟议的模型显著提高了PPD预测的准确性和可解释性.
- 结果为临床医生和产后妇女提供指导性建议.
- 未来的工作包括扩展到预测其他疾病和开发一个在线预测平台.
