一个基于虚拟现实的多模式方法来诊断恐慌障碍和恐惧现场使用生理学措施:机器学习研究
Han Wool Jung1,2, Hyun Park3, Seon-Woo Lee3
1Department of Psychiatry, Yongin Severance Hospital, Yonsei University College of Medicine, Yongin 16995, Republic of Korea.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
虚拟现实 (VR) 暴露与生理和自我报告的焦虑数据相结合,可以以83%的准确性对恐慌症和 agoraphobia 患者进行分类. 这种方法显示出作为诊断辅助的希望,尽管需要进一步改进.
科学领域:
- 精神病学和心理学 精神病学和心理学
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
背景情况:
- 虚拟现实 (VR) 为焦虑障碍评估提供了沉浸式环境.
- 生理信号 (HRV,SCR) 和自我报告的焦虑是痛苦的关键指标.
- 机器学习可以整合多模式数据用于诊断分类.
研究的目的:
- 通过基于VR的多式联络数据,评估机器学习模型在分类恐慌症和 agoraphobia 的有效性.
- 评估结合心率变化 (HRV),皮肤导电反应 (SCR) 和VR暴露期间自我报告的焦虑的诊断潜力.
主要方法:
- 76名参与者 (38名患者,38名对照组) 在道路和超市场景中接受了VR暴露.
- 多模式数据收集包括自我报告的焦虑,HRV和SCR.
- 六个机器学习分类器 (GNB,k-NN,LRR,SVC,RF,SGB) 用于数据分析.
主要成果:
- 最优的机器学习模型实现了0.83的分类准确度.
- 模型表现出高特异性和精度 (≥0.80),灵敏度不同 (≥0.82).
- 自我报告的焦虑表现出比生理学测量更重要的特征;患者表现出模糊的SCR反应.
结论:
- 虚拟现实暴露与自我报告的焦虑和生理数据相结合,显示其可行性作为恐慌症和 agoraphobia 的诊断辅助.
- 目前的方法需要进一步改进,以提高灵敏度和临床效用.
- 通过机器学习进行多模式数据集成,有可能对焦虑相关疾病进行客观评估.
