Nov, 2023

使用基于顶点的脑皮层特征的 DenseNet 和支持向量机对主要抑郁症的分类

PDF
TL;DR基于顶点特征和非线性分类器，将抑郁症患者和健康对照组区分开的研究表明，MDD 分类在这些特征和分类器的组合上是不可行的。
major depressive disorderneuroimaging datadeep learningcortical featuresclassification performance
发现论文，激发创造
  • 多特征拼接和多分类器堆叠：一种可解释和可泛化的基于 rsfMRI 的 MDD 判别机器学习方法

    通过使用多种特征和多种分类器的机器学习方法（MFMC），对使用 REST-meta-MDD 数据集的 2428 名受测者进行测试，MFMC 的 MDD 区分准确率达到 96.9％，明显改善了现有方法；并且，验证了 MFMC 的泛化能力，当训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将 13 个特征值作为临床有用的精神障碍诊断和预后生物标志物。

    Aug, 2023

  • 朝着结果驱动的患者亚群：六项抑郁症治疗研究的机器学习分析

    通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

    Mar, 2023

  • 利用贝叶斯网络结合多模态数据和专家意见，稳健预测抑郁及其症状

    该研究使用贝叶斯网络的方法来预测抑郁症及其症状，包括从言语、面部表情和认知游戏数据中提取的特征，并生成可解释的模型预测，确定预测的不确定性，并自然地处理缺失数据。

    Nov, 2022

  • 种族与青少年抑郁症的预测：机器学习与深度学习跨种族群的应用

    该研究使用神经网络和机器学习模型对学生的抑郁症进行分类，并指出不同种族亚组的相关因素的差异，强调了更多广泛和多样化数据集的需求。

    Aug, 2023

  • 音频、视觉和文本分析中的抑郁量表识别

    本文介绍了一种多模态特征提取和决策层融合方法用于通过机器学习算法自动检测抑郁症，并使用支持向量机和神经网络对特征进行分类，在音频特征和视频特征上比验证数据集提供的基线分别提高了 17％和 24.5％。

    Sep, 2017

  • 基于主题建模的多模态抑郁症检测

    通过主题建模的方法，我们提出了一种上下文感知分析录音的方法，用于预测变态抑郁症的水平，该方法在 AVEC 挑战赛中的所有指标上优于基线。

    Mar, 2018

  • 评估机器学习分类算法和自然语言处理技术在抑郁症检测中的应用：实验案例研究

    此研究评估了使用机器学习和自然语言处理技术来检测抑郁症的方法，针对数据清理、模型选择等方面进行了案例研究，并在具体实验中使用 Distress Analysis Interview Corpus - Wizard-of-Oz（DAIC-WOZ）数据集构建出准确率约为 84% 的模型，明显高于现有文献中通过 SVM 模型得到的 72% 的准确率。

    Apr, 2024

  • 一种全局特征提取模型，用于利用结构性 MRI 图像有效辅助诊断轻度认知障碍

    利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

    Dec, 2017

  • 基于流形的动态分布方法改进的跨主体和跨会话基于脑电情感识别的非深度迁移学习

    提出一种名为 Manifold-based Domain adaptation with Dynamic Distribution（MDDD）的新型非深度转移学习方法，通过优化 Grassmann 流形空间，动态对齐源域和目标域，结合分类器学习和集成学习模块提高情感解码的应用效果和实用性。

    Apr, 2024

  • 研究机器学习方法在预测早期阶段的痴呆病稳定性

    本文研究了机器学习算法在预测痴呆症中的稳定性，并发现支持向量机和朴素贝叶斯算法是最稳定的算法，在使用信息增益方法进行特征选择时比主成分分析更有效。

    Sep, 2022