抑郁症是一种在全球范围内常见的心理疾病,已成为重要的公共卫生问题。根据世界卫生组织2021年的统计数据,全球约有2.8亿人患有抑郁症。抑郁症是一种既有生理又有心理成因的疾病,在发作期间,患者通常会感到情绪低落、丧失对活动的兴趣和快乐感,以及出现睡眠障碍和疲劳等身体症状,有些严重的患者可能会自残甚至自杀。目前抑郁症的临床诊断主要依赖于医生的经验和主观判断,诊断效率低下,结果不够客观。抑郁症的早期检测与定量精准化诊疗已成为当今亟需解决的社会热点问题和医学科学难题。研究表明,抑郁症会导致患者脑神经系统的失衡,进而影响到自主神经系统,使得其心肺系统出现异常变化。相较于LY294002体内实验剂量心肺系统的心音与心电信号,脉搏和呼吸信号更易于获取,且受噪声干扰较少,采用脉搏和呼吸信号实现基于心肺系统的抑郁状态识别具有理论上的可行性与技术层面的便捷性。随着人工智能技术的快速发展,尤其是深度学习的日臻完善与广泛应用,基于生理信号的自动诊断技术取得了显著进展,这为利用深度学习研究抑郁状态提供了bio-based economy技术支持。为探寻客观有效的抑郁症早期诊断方法,本研究融合脉搏和呼吸信号构建了一种基于心肺系统的多模态抑郁状态综合识别模型。该模型结合两种不同的生理信号,以提高抑郁状态的识别准确性,为抑郁症的计算机辅助诊断提供理论和技术支撑。本文的主要研究内容如下:(1)信号的采集及预处理。设计信号采集实验,获取了 76组被试者的脉搏和呼吸信号;采用数学形态学方法和巴特沃斯低通滤波器去除信号的噪声成分,并对信号重采样,以便于数据处理和分析。(2)提出了一种数据增强技术,以解决数据量较少导致模型训练效果不佳的问题。该技术将脉搏信号的起始点识别和滑动窗口算法相结合,利用信号起始点的个数确定窗口的滑动步长,将脉搏和呼吸信号划分成固定长度的片段。相较于传统的数据增强技术,该方法在模型优化方面具有明显的优势。(3)构建了呼吸信号抑郁状态识别基分类器。为分析呼吸信号在卷积神经网络、长短时记忆网络和时间卷积网络中的表现,本研究设计了模型参数寻优实验和不同模型在最佳参数下的对比实验。根据实验结果,采用卷积神经网络搭建抑郁状态识别模型,其准确率、灵敏度和特异性分别为95.2%、93.88%、95.96%。(4)构建了脉搏信号抑郁状态识别基分类器。本研究设计模型参数寻优实验和不同模型的对比实验,详细分析了脉搏信号在卷积神经网络、长短时记忆网络和时间卷积网络中的性能。实验结果表明,基于时间卷积网络的抑郁状态识别模型具有更高的分类性能,其准确率、灵敏度和特异性分别为79.59%、68.35%、85.97%。(5)构建了抑郁状态综合识别模型。该模型利用机器学习方法融合呼吸信号抑郁状态识别模型和脉搏信号抑郁状态识别模型,以实现抑郁状态的精准识别并提升模型的泛化能力。设计对比实验分析了随机森林算法、支持向量机算法和逻辑回归算法的表现,结果表明,基于支持向量机的心肺系统抑郁状态识别模型具有最为优良的分类性能和泛化www.selleck.cn/products/emricasan-idn-6556-pf-03491390能力,其准确率、灵敏度和特异性分别为96.40%、96.04%、96.39%。