在中国一所大学的学生中,基于机器学习识别了使用功能近红外光谱的抑郁症状
Yange Wei1, Yuanle Chen1, Ning Wang2
1Department of Early Intervention, Mental Health and Artificial Intelligence Research Center, The Second Affiliated Hospital of Xinxiang Medical University, Henan Mental Hospital, 453002 Xinxiang, Henan, China.
Alpha psychiatry
|January 12, 2026
概括
功能近红外光谱学 (fNIRS) 与口头流利性任务 (VFT) 结合,有望在客观地检测大学生抑郁症. 这种方法确定了与抑郁症相关的特定大脑活动模式,特别是在左侧中间前额叶皮层.
科学领域:
- 神经科学是一个神经科学.
- 临床心理学 临床心理学
- 生物医学工程 生物医学工程
背景情况:
- 大学学生的抑郁率很高,需要客观的诊断工具,而不仅仅是主观的问卷.
- 目前的抑郁症评估方法往往是主观的,强调了需要可靠,客观的措施.
- 功能近红外光谱 (fNIRS) 为客观抑郁症检测提供了一个潜在的途径.
研究的目的:
- 调查功能近红外光谱学 (fNIRS) 与大学生抑郁症相关的信号变化.
- 评估fNIRS信号在自动检测抑郁症中的有效性.
- 在认知任务中使用fNIRS探索抑郁症的神经相关性.
主要方法:
- 192名大学生在口头流利任务 (VFT) 中接受了心理评估和fNIRS测量.
- 使用48通道的fNIRS系统记录了脑血氧化信号.
- 使用机器学习分类器,包括K-Nearest Neighbors (KNN),使用fNIRS数据区分抑郁症,通过ROC曲线和AUC评估性能.
主要成果:
- 与对照组相比,抑郁症组中观察到显著的血液动力学差异,特别是在中间前额叶皮层 (MPFC) 和左叶.
- 左MPFC,左背侧前额皮层和左叶显示与抑郁症有关.
- 该KNN分类器实现了最高的性能 (AUC = 66.51%),左MPFC是一个关键预测器.
结论:
- fNIRS与VFT结合,为评估大学生抑郁症状提供了一个可行的客观方法.
- 这些发现强调左MPFC在抑郁症神经生物学中的关键作用.
- 成功开发了一个基于fNIRS的系统,用于识别大学生的抑郁症.
