DCEM-TCRCN:使用可穿戴物联网设备和深度学习来检测抑郁症的创新方法
Xinfeng Xiao1, Shijun Li2, Wei Yu2
1Guangdong Polytechnic of Environmental Protection Engineering, Foshan, 528216, Guangdong, China. xinfeng211@proton.me.
International journal of computer assisted radiology and surgery
|September 18, 2025
概括
本研究介绍了一种基于时间循环残余卷积网络 (DCEM-TCRCN) 的新型动态卷积编码模型,用于使用可穿戴传感器进行准确的抑郁症诊断. DCEM-TCRCN模型实现了98.88%的准确性,证明了其实时心理健康监测的潜力.
科学领域:
- 计算精神病学是一种计算精神病学.
- 机器学习用于医疗保健
- 可穿戴式传感器技术的技术.
背景情况:
- 抑郁症带来了重大的社会健康挑战,需要准确的诊断工具.
- 现有的诊断方法可能缺乏有效干预所需的持续监测能力.
- 可穿戴物联网 (IoT) 传感器为客观,实时的生理数据收集提供了一个有希望的途径.
研究的目的:
- 提出和评估一种基于时间循环残余卷积网络 (DCEM-TCRCN) 的新型动态卷积编码模型,用于抑郁症诊断.
- 利用可穿戴传感器的生理数据来提高确定抑郁状态的准确性.
- 开发一个可靠和稳定的实时心理健康监测模型.
主要方法:
- DCEM-TCRCN模型整合了移动倒置瓶卷积 (MBConv) 和动态卷积 (DConv) 进行增强的特征提取.
- 时间循环残余卷积网络 (TCRCN) 使用循环扩展卷积来捕捉远程时间依赖并减轻边界效应.
- 时间性注意力机制,体重正常化,GELU激活和放弃用于提高性能,稳定性和规范化.
主要成果:
- 该系统从可穿戴传感器处理生理数据,包括心率变化和皮肤活动.
- 数据预处理涉及一次性编码和规范化,以优化特征提取.
- 双重完全连接的层分类抑郁状态基于学习的表征.
结论:
- DCEM-TCRCN模型表现出高性能,98.88%的准确性,97.76%的精度,98.21%的回忆,以及97.99%的科恩-卡帕分数在抑郁症数据集上.
- 这些结果证实了模型的有效性,可信度和稳定性.
- 拟议的模型适用于实时心理健康监测应用.
