减少人工物预处理心率变化基于个性化精神病预测使用自适应的长期短期记忆模型

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 精神分裂症谱系障碍与生理变化有关.
• 来自可穿戴设备的心率变化 (HRV) 数据为监测这些变化提供了潜在的生物标志物.
• 以前的精神病预测模型通常依赖于广泛的数据预处理,包括文物删除.

研究的目的:

• 通过未经处理的心率变量 (HRV) 数据,研究长期短期记忆 (LSTM) 网络对精神病预测的有效性.
• 确定是否需要人工物去除预处理来准确地预测精神分裂症患者个性化的复发.
• 评估遗漏数据清理步骤对预测准确性的影响.

主要方法:

• 收集了7名患者的睡眠HRV记录 (每人7-113天),并对30名精神病患者队列进行了验证.
• 从未处理的时间序列直接计算HRV特征,绕过文物校正.
• 利用具有患者特定序列长度的LSTM网络来学习HRV的时间关系和个体生理趋势.

主要成果:

• 在最初的7名患者队列中,LSTM模型实现了0.9817的平均F1得分.
• 遗漏人工物删除预处理并没有降低,在某些情况下改善了精神病预测的准确性.
• 个性化预测模型在各种患者个人资料和临床环境中表现出强度.

结论:

• 使用可穿戴HRV数据进行个性化精神病预测是LSTM网络可行的.
• 从可穿戴HRV数据中准确预测精神病时,可能不必进行人工物移除预处理.
• 这种简化方法对精神分裂症谱系障碍的实时监测和早期干预具有前途.