基于群体的神经网络在自动抑郁症检测中的有效性
Alwan Atta1,2, Dina ElSayad3, Doaa Ezzat3
1Scientific Computing Department, Faculty of Computers and Information Sciences, Ain Shams University, Cairo, Egypt. alwan.atta@cis.asu.edu.eg.
Scientific reports
|July 15, 2025
概括
这项研究引入了用于抑郁症诊断的深度学习模型,使用群集智能算法进行了优化. 火算法实现了最佳性能,证明了可靠的心理健康诊断的潜力.
科学领域:
- 人工智能的人工智能
- 计算精神病学是一种计算精神病学.
- 机器学习 机器学习
背景情况:
- 抑郁症是全球日益严重的健康问题.
- 准确和早期的诊断对于有效的治疗至关重要.
- 当前的诊断方法可能是主观的,耗时的.
研究的目的:
- 开发和评估用于抑郁症诊断的深度学习模型.
- 为了优化模型,使用群集智能算法来进行特征选择和维度减少.
- 评估模型在不同数据集中的性能和通用性.
主要方法:
- 开发了一个定制的深度学习模型.
- 三个群集智能算法 (Dragonfly,火,火焰优化) 用于优化.
- 在DAIC-WOZ,CMDC和MODMA数据集上进行了实验.
主要成果:
- 火算法优化产生了最高的宏观F1得分0.86.6.
- 该模型表现出强烈的概括性,在CMDC上获得0.92的F1分,在MODMA上获得0.82的F1分.
- 龙和火焰优化算法也表现出了竞争力的表现.
结论:
- 将深度学习与元启发式优化整合在一起,为抑郁症诊断提供了一个有前途的方法.
- 优化的模型显示了可靠和高效的心理健康评估的潜力.
- 需要进一步的研究来探索这些人工智能驱动的诊断工具的临床应用.
