通过患者健康问卷9和自然语言处理对抑郁症进行分析
1
抑郁症被认为是造成全球残疾的最大原因,也是自杀的主要原因。 它会影响书面文本中反映的语言使用情况。 我们研究的主要目标是检查Reddit用户的帖子,以发现任何可能揭示相关在线用户的抑郁态度的因素。 为此,我们采用自然语言处理(NLP)技术和机器学习方法来训练数据并评估我们提出的方法的效率。 我们确定在沮丧帐户中更常见的术语词典。 结果表明,我们提出的方法可以显着提高性能精度。 最好的单一功能是使用支持向量机(SVM)分类器的双字母组,可以以80%的准确度和0.80 F1的分数检测抑郁症。 多层感知器(MLP)分类器最成功地证明了组合特征(LIWC + LDA + bigram)的强度和有效性,从而使抑郁症检测的顶级性能达到91%的准确度和0.93 F1分数。 根据我们的研究,可以通过选择适当的特征及其多个特征组合来实现更好的性能改进。
2021-04-28 17:58:34 3.5MB Natural language processing; machine
1
2019-2025年中国抗抑郁药行业发展趋势预测研究报告.pdf
2021-04-13 18:04:08 64.12MB 行业咨询研究
汉密顿抑郁量表(HAMD) 姓名: 性别: 年龄: 职业: 文化程度: 住院号: 门诊号: 项目 评分标准 无 轻度 分数 中度 重度 极重度 1 抑郁情绪 1.只在问到时才诉述;2.在访谈中自发地描述 3.不用言语也可以从表情,姿势,声音或欲哭中流露出这种情绪 4.病人的自发言语和非语言表达(表情,动作)几乎完全表现为这种情绪 0 1 2 3 4 2 有罪感 1.责备自己,感到自己已连累他人2.认为自己犯了罪,或反复思考以往的过失和错误 3.认为目前的疾病是对自己错误的惩罚,或有罪恶妄想4.罪恶妄想伴有指责或威胁性幻想 0 1 2 3 4
2021-04-02 22:07:50 62KB 汉密顿抑郁量表(HAMD)
汉密顿抑郁量表 汉密顿抑郁量表(Hamilton Depression Scale,HAMD)由Hamilton于1960年编制,是临床上评定抑郁状态时应用得最为普遍的量表。本量表有17项、21项和24项等3种版本。这项量表由经过培训的两名评定者对患者进行HAMD联合检查,一般采用交谈与观察的方式,检查结束后,两名评定者分别独立评分;在治疗前后进行评分,可以评价病情的严重程度及治疗效果。 1.中文名 汉密尔顿抑郁量表 2.应用学科 心理学 3.应用范围 医学心理学 目 录 1 简介 2 具体量表 ▪ 量表格式
2021-04-02 22:07:48 26KB 汉密尔顿抑郁量表
抑郁自评量表(Self-rating depression scale,SDS),是含有20个项目,分为4级评分的自评量表,原型是Zung抑郁量表(1965)。其特点是使用简便,并能相当直观地反映抑郁患者的主观感受。主要适用于具有抑郁症状的成年人,包括门诊及住院患者。只是对严重迟缓症状的抑郁,评定有困难。同时,SDS对于文化程度较低或智力水平稍差的人使用效果不佳。 中文名 抑郁自评量表 外文名 Self-Rating Depression Scale 简    称 SDS 编制者 Zung 时间范围 过去一周 适用对象 具有抑郁症状的成年人 目录 1.1 简介 2.▪ 作用 3.▪ 评分 4.▪ 结果解释
2021-04-02 22:07:39 18KB 抑郁自评量表
严重抑郁症(MDD)的治疗管理一直具有挑战性。 但是,基于脑电图(EEG)预测抗抑郁药治疗结果可能有助于抗抑郁药的选择,并最终改善MDD患者的生活质量。 在这项研究中,提出了一种涉及预处理.EEG数据的机器学习(ML)方法,以对选择性5-羟色胺再摄取抑制剂(SSRIs)进行此类预测。 为此目的,实验数据的采集涉及34位MDD。患者和30位健康对照。 因此,基于小波变换(WT)分析,构造了包含脑电数据时频分解的特征矩阵,称为脑电数据矩阵。 但是,所得的EEG数据矩阵具有较高的维数。 因此,根据标准,即接收机工作特性(ROC),基于基于等级的特征选择方法来进行尺寸缩小。 结果,在分类模型(即逻辑回归(LR)分类器)的训练和测试过程中,最重要的特征被识别并被进一步利用。 最后,通过10次交叉验证(10-CV)的100次迭代来验证LR.model。 将分类结果与短时傅立叶变换(STFT)分析和经验模态分解(EMD)进行了比较。 从额叶和颞叶脑电图数据中提取的小波特征具有统计学意义。 与STFT和EMD等其他时频方法相比,WT分析显示出最高的分类准确性,即准确度= 87.5%,灵敏度= 95%和
2021-03-15 12:06:07 1.62MB 研究论文
1
机器学习在抑郁症领域的应用
2021-03-07 15:22:32 1.14MB 机器学习在抑郁症领域的应用
1
近年来,结构性磁共振成像(sMRI)和功能性磁共振成像(fMRI)被广泛应用于抑郁症研究。从结构形态学、结构网络、功能网络3个角度探索抑郁症患者的大脑异常,了解其发病机制,辅助医生临床诊断、治疗和预后。目前大量研究发现抑郁症患者的海马体、杏仁核出现不同程度的萎缩,脑网络的连接强度、图论属性等均出现显著异常,且出现异常的脑区对应于人的情绪调节、注意力和认知控制等功能,异常的程度与抑郁的严重程度呈现高度相关性。从不同角度对抑郁症的研究现状进行综述,并对未来的研究提出了建议。
2021-03-02 16:10:15 3.96MB 抑郁症 脑网络 多模态 磁共振成像
1
神经网络方法在抑郁症早期筛查中应用的可行性
2021-03-02 09:06:54 336KB 研究论文
1