在使用R-R间隔的患者中自动评估精神分裂症和双极性障碍的深度学习方法
Kamil Książek1, Wilhelm Masarczyk2, Przemysław Głomb3
1Faculty of Mathematics and Computer Science, Jagiellonian University, Kraków, Poland.
PLoS computational biology
|September 3, 2025
概括
这项研究开发了一种自动化方法,使用可穿戴心电图的心率变化 (HRV) 来分类精神分裂症和双相情感障碍,其准确度高达83%. 这为精神病学查提供了一种有前途,具有成本效益的工具.
科学领域:
- 神经科学
- 生物医学工程
- 计算精神病学
背景情况:
- 精神分裂症和双相情感障碍严重影响生活质量.
- 自主神经系统的功能障碍与这些严重的精神疾病有关.
- 心率变化 (HRV) 显示为诊断支持的生物标志物.
研究的目的:
- 开发和评估精神分裂症和双相情感障碍的自动分类方法.
- 使用低成本可穿戴设备的短时间心电图 (ECG) 信号.
- 评估HRV分析用于精神病学查的可行性.
主要方法:
- 在短时间心电图记录的R-R间隔窗口上使用机器学习进行分类实验.
- 评估多种模型,包括SVM,XGBoost,MLP,GRU和合集.
- 使用高参数优化的5倍和1次遗漏交叉验证进行性能评估.
主要成果:
- 获得了83% (5倍CV) 和80% (离开一个CV) 的分类准确度.
- 性能与先进的诊断方法相比,尽管现实世界临床环境复杂.
- 通过短期HRV分析证明可行性.
结论:
- 使用可穿戴心电图和机器学习进行短期HRV分析是一种可行的,具有成本效益的帮助精神病诊断的工具.
- 支持可穿戴设备和人工智能在精神病诊断中的潜力.
- 这为进一步的心理健康研究和临床应用铺平了道路.
