科研之友
微信
新浪微博
Facebook
分享链接
摘要
重度抑郁症(MDD)是一种由于先天基因异常或后天环境突变等多种因素导致的心境障碍，对患者的日常生活及社会经济均会造成严重损害。因此，寻找更为有效且客观的辅助诊断生理指标以及更为有效的MDD辅助诊断方法对其早期诊断与防治具有重大现实意义。本研究基于情绪脸-词Stroop任务，通过采集被试的行为数据及事件相关电位(ERP)数据，使用传统机器学习、集成学习及深度学习方法对31名重度抑郁患者和31名健康对照个体进行研究，以准确率(ACC)、F1分数(F1-score)、召回率(Recall)、特异率(Specificity)、阳性预测值(PPV)及阴性预测值(NPV)等6个指标作为不同分类方法的评价指标，按照7:2:1的比例将数据集随机划分为训练集、验证集及测试集。该过程被重复10次，最终的分类结果为10次的平均值±标准差。重度抑郁识别所使用的卷积神经网络(CNN)可以从数据中自动学习和提取特征，在重度抑郁识别正确率达89.76%±19.18%;基于ERP数据的研究发现，CNN在6个指标下均得到了最优结果，其中重度抑郁识别正确率达90.71%±14.17%;所提出的基于行为及ERP数据的多模态深度学习神经网络-行为脑电并行时序卷积神经网络(BEPTCNN),其在重度抑郁识别中准确率可达95.48%±7.31%。行为及ERP数据均可作为重度抑郁辅助诊断的有效生理指标，所提出的BEPTCNN模型有望成为重度抑郁诊断辅助方法。
- 出版日期2023
- 单位兰州大学
