在主要抑郁症,恐慌症和健康个体中,基于深度学习的RR间隔的压力检测
Kyung Hyun Lee1, Chul-Hyun Cho2,3, Ah Young Kim4
1Department of Electronics Engineering, Incheon National University, Incheon, Republic of Korea.
Frontiers in psychiatry
|October 13, 2025
概括
一种深度学习模型准确地检测到患有严重抑郁症,恐慌症和健康对照者的超短心率变化信号的急性认知压力. 这种方法对精神病治疗中实时压力监测有前途.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 压力显著恶化主要抑郁症 (MDD) 和恐慌症 (PD).
- 持续量化压力对于管理这些条件至关重要.
- 应激检测的当前心率变化 (HRV) 分析需要长时间的记录和手动的特征提取,限制实时应用.
研究的目的:
- 评估一维残余网络 (ResNet34) 用于识别急性认知压力.
- 用超短RR间隔 (RRI) 信号来评估模型的性能.
- 确定在MDD,PD和健康对照 (HCs) 中实时压力监测的可行性.
主要方法:
- 147名成年人 (MDD,PD,HC) 在休息和认知压力因素期间接受了RRI记录.
- 一个1D ResNet34模型分类了5分钟和1分钟RRI段的应力.
- 针对特定组的模型的性能与在聚合数据上训练的组合模型进行了比较.
主要成果:
- 在所有组中,压力显著降低了RRI,与患者相比,HC的效果更为明显.
- 综合深度学习模型实现了高精度:86.6% (MDD),86.5% (PD) 和89.7% (HC) 的5分钟数据.
- 即使是1分钟的RRI段也产生了80%左右的准确度,证明了模型在更短的数据中有效.
结论:
- 对原始RRI应用的深度学习可以有效地检测急性认知压力,而无需手动功能工程.
- 1分钟RRI分析表明实时压力监测系统的可行性.
- 这种方法支持精神病学中的个性化护理和复发预防策略.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.7K
08:25Polar Histogram Visualization of Acute Stress Disorder Scale Scores for Comprehensive Clinical Assessment
Published on: December 6, 2024
858
