CN115886818B - 一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 - Google Patents
一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 Download PDFInfo
- Publication number
- CN115886818B CN115886818B CN202211496983.3A CN202211496983A CN115886818B CN 115886818 B CN115886818 B CN 115886818B CN 202211496983 A CN202211496983 A CN 202211496983A CN 115886818 B CN115886818 B CN 115886818B
- Authority
- CN
- China
- Prior art keywords
- data
- meal
- anxiety disorder
- depression
- gastrointestinal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000019901 Anxiety disease Diseases 0.000 title claims abstract description 109
- 230000002496 gastric effect Effects 0.000 title claims abstract description 39
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 210000000936 intestine Anatomy 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 29
- 235000012054 meals Nutrition 0.000 claims abstract description 21
- 239000008280 blood Substances 0.000 claims abstract description 15
- 210000004369 blood Anatomy 0.000 claims abstract description 15
- 230000035622 drinking Effects 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 11
- 238000010168 coupling process Methods 0.000 claims abstract description 11
- 238000005859 coupling reaction Methods 0.000 claims abstract description 11
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 10
- 239000008103 glucose Substances 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 24
- 230000036506 anxiety Effects 0.000 claims description 23
- 238000010200 validation analysis Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000000611 regression analysis Methods 0.000 claims description 11
- 210000002784 stomach Anatomy 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000000291 postprandial effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 6
- 210000001815 ascending colon Anatomy 0.000 claims description 5
- 210000001731 descending colon Anatomy 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 210000000664 rectum Anatomy 0.000 claims description 5
- 210000003384 transverse colon Anatomy 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 235000019441 ethanol Nutrition 0.000 claims description 2
- 210000001035 gastrointestinal tract Anatomy 0.000 claims 2
- 210000002438 upper gastrointestinal tract Anatomy 0.000 claims 2
- 230000003001 depressive effect Effects 0.000 abstract description 32
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 15
- 201000010099 disease Diseases 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 208000020016 psychiatric disease Diseases 0.000 description 5
- 210000001113 umbilicus Anatomy 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 4
- 210000002417 xiphoid bone Anatomy 0.000 description 4
- 208000020401 Depressive disease Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011088 calibration curve Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 206010049119 Emotional distress Diseases 0.000 description 2
- 208000011688 Generalised anxiety disease Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 208000029364 generalized anxiety disease Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000004630 mental health Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010003840 Autonomic nervous system imbalance Diseases 0.000 description 1
- 206010010774 Constipation Diseases 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 208000007882 Gastritis Diseases 0.000 description 1
- 208000018522 Gastrointestinal disease Diseases 0.000 description 1
- 102000015779 HDL Lipoproteins Human genes 0.000 description 1
- 108010010234 HDL Lipoproteins Proteins 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 238000001207 Hosmer–Lemeshow test Methods 0.000 description 1
- 102000007330 LDL Lipoproteins Human genes 0.000 description 1
- 108010007622 LDL Lipoproteins Proteins 0.000 description 1
- 208000037490 Medically Unexplained Symptoms Diseases 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000001431 Psychomotor Agitation Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 208000013404 behavioral symptom Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 208000037870 generalized anxiety Diseases 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 206010020765 hypersomnia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000003557 neuropsychological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 210000004203 pyloric antrum Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及疾病预测领域,具体涉及一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法。本发明提供了一种抑郁焦虑障碍预测***,其特征在于,包括:数据库,用于存储数据,所述数据的类型包括胃肠电信号数据和临床数据,所述胃肠电信号数据包括餐前胃肠电信号数据和餐后胃肠电信号数据;所述餐前胃肠电信号数据包括餐前肠部的反应面积和餐前肠部的导联时间差,所述餐后胃肠电信号数据包括餐后肠部的正常慢波百分比和餐后肠部的偶联百分比,所述临床数据包括饮酒和血糖;数据获取模块;模型训练模块;预测模块,用以预测所述受试者发生抑郁焦虑障碍的概率。另一方面,本发明还提供了上述***所基于的抑郁焦虑障碍模型的构建方法。
Description
技术领域
本发明涉及疾病预测领域,具体涉及一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法。
背景技术
疾病的早期检测至关重要。据认为,疾病被诊断出的时间越早,疾病被治愈(或成功控制)以及患者获得较好的预后的可能性就越大。如果可以对疾病进行早期筛查和治疗,那么疾病的进一步恶化可以被预防或延缓,治疗效果可以被提高(例如延长患者生命、提高患者的生活质量)等。
近年来,我国慢性神经***疾病患者数量持续上升。然而,由于早期症状不明显、患者自身的认识程度不高、检查流程繁琐及费用高等原因,某些慢性神经***疾病(例如认知功能障碍、睡眠障碍、焦虑或抑郁)往往发展到较为难以干预和治疗的阶段时才被诊断出。因此,需要对目标人群(例如中老年人)进行大规模筛查,以实现疾病的早期检测。然而,大规模筛查需要处理的数据量大且通常依赖人工分析,整个过程费时费力、成本高昂,且数据分析的结果主观性强、复杂且难以量化。因此,很多疾病的大规模筛查难以普及,特别体现在抑郁焦虑障碍的早期检测中。
据统计,全世界每年大约有四分之一的成年人患有精神健康障碍。常见的精神健康障碍包括抑郁和焦虑,其特点是强烈的情绪困扰,这会对患者的社交和职业功能产生严重的影响。抑郁的特征是在大多数活动中持续情绪低落和/或丧失快乐(缺乏快感),以及一系列相关的情绪、认知、身体和行为症状,例如疲劳/精力丧失、毫无价值感或过度或不适当的内疚感、反复出现的死亡念头、思考/集中精神能力下降或犹豫不决、精神运动不安或迟缓、失眠或嗜睡过度。焦虑的特征是对环境(例如社交场合、陌生情景等)或自身(特殊体感)中的潜在威胁,存在过度的恐惧、焦虑与回避。然而,焦虑或抑郁患者大多关注其躯体症状(例如,全身症状或多个***自主神经功能失调症状),一般并不主动诉及其情绪困扰(例如,出现某些症状后,大多数患者选择前往神经内科就诊,并主诉头痛、头晕、疲倦等与情绪无关的症状),这为抑郁或焦虑障碍的早期筛查提高了难度。焦虑障碍有时非常令人痛苦,最后导致抑郁。当然,焦虑和抑郁可能共存,也可能抑郁首先出现,随后出现焦虑的症状和体征。
现有技术中,抑郁焦虑障碍的诊断方式包括基本临床症状评估和神经心理状态评估等。具体地,当患者表现出抑郁焦虑障碍的症状时,自己或其家属才会前往医院就诊。问诊时,医生会给予患者纸质量表(组合)并根据患者的测试结果进行初步评估,并结合其他检查结果来筛选出疑似抑郁或焦虑障碍的患者。由此可见,整个过程复杂繁琐,耗时久、工作量大、效率低以及受医生个人经验的影响。此外,患者还可能出现对抑郁或焦虑障碍认识程度和诊断配合度较低,由于听力、视力、理解能力衰退、文化程度较低等原因无法独立与医生交流及完成量表而依赖家属转达等情况,这使得抑郁或焦虑障碍的早期检测(特别是在基层、较广人群中大规模筛查)和及时的针对性治疗与预防的难度较大。
尽管现有技术存在去量表化的焦虑抑郁心理检测方法,但是其涉及要求受试者参加心理访谈并采集音视频数据,不仅没有解决程序复杂、耗时、接受度低等问题,而且尤其不适合文化程度较低、理解能力较差、不会使用电子设备的人群使用,应用范围仍然受限。
发明内容
第一方面,本发明提供了一种抑郁焦虑障碍预测***,其特征在于,包括:数据库,用于存储数据,所述数据的类型包括胃肠电信号数据和临床数据,所述胃肠电信号数据包括餐前胃肠电信号数据和餐后胃肠电信号数据;所述餐前胃肠电信号数据包括餐前肠部的反应面积和餐前肠部的导联时间差,所述餐后胃肠电信号数据包括餐后肠部的正常慢波百分比和餐后肠部的偶联百分比,所述临床数据包括饮酒和血糖;所述数据包括来自样本人群的样本数据和来自受试者的受试者数据;
数据获取模块,用于获取所述数据,并将所述数据存储于所述数据库;
模型训练模块,所述模型训练模块利用机器学习算法对所述样本数据进行训练学习,从而确定抑郁焦虑障碍预测模型;
预测模块,所述预测模块通过所述数据获取模块获取所述受试者数据,并调用所述抑郁焦虑障碍预测模型对所述受试者数据进行分析,用以预测所述受试者发生抑郁焦虑障碍的概率。
在一些实施例中,所述样本数据以7:3的比例被分为训练集和验证集。
在一些实施例中,所述胃肠电信号数据通过分别位于胃体、胃窦、小弯、大弯、升结肠、横结肠、降结肠和直肠的导联同时采集得到。
在一些实施例中,所述***进一步包括验证模块,所述验证模块用于利用所述验证集来评价所述抑郁焦虑障碍预测模型的准确性。
在一些实施例中,所述评价的评价指标包括校准度或区分度。
第二方面,本发明提供了一种抑郁焦虑障碍预测模型的构建方法,其特征在于,包括以下步骤:
S1获取来自样本人群的样本数据,所述样本数据的类型包括胃肠电信号数据和临床数据;
S2对所述样本数据进行预训练以筛选出预测变量,所述筛选出的预测变量包括餐前肠部的反应面积、餐前肠部的导联时间差、餐后肠部的正常慢波百分比、餐后肠部的偶联百分比、饮酒和血糖;
S3基于所述筛选出的预测变量,利用机器学习算法对所述样本数据进行训练学习,以建立抑郁焦虑障碍预测模型。
在一些实施例中,所述样本数据以7:3的比例被分为训练集和验证集。
在一些实施例中,所述预训练包括第一轮变量筛选和第二轮变量筛选;所述第一轮变量筛选包括LASSO回归分析,所述第二轮变量筛选包括逻辑回归分析和逐步回归分析。
在一些实施例中,所述方法进一步包括S4利用所述验证集来评价所述抑郁焦虑障碍预测模型的准确性,所述评价的评价指标包括校准度或区分度。
在一些实施例中,所述预训练包括岭回归或随机森林模型。
与现有技术相比,本发明的有益技术效果:
本发明提供了一种基于胃肠电信号的抑郁焦虑障碍预测***及构建方法。本发明通过LASSO回归分析、逻辑回归分析和逐步回归分析对样本数据中46个特征变量进行预训练(特征筛选),最终保留“餐前肠部的反应面积、餐前肠部的导联时间差、餐后肠部的正常慢波百分比、餐后肠部的偶联百分比、饮酒和血糖”这6个预测变量,并基于上述6个预测变量构建了抑郁焦虑障碍预测模型。
现有技术目前主要依赖行为量表来评估患者的行为,进而实现对抑郁焦虑的诊断。当患者或者其周围人士意识到患者本人可能患有精神疾病(例如,抑郁、焦虑)时,该患者可能发展到较为难以干预和治疗的阶段(例如,已发展成严重的抑郁、焦虑,或发展成与其他精神疾病并发)。患者在早期阶段表现出的症状往往难以察觉,因此可能错过介入治疗的较优时期(据认为,抑郁、焦虑等精神疾病从发病到介入治疗,这中间经历的时间越短,患者康复的几率可能越大)。另一方面,有些患者即使察觉到某些症状,也不会将其归因于或承认自己为精神疾病患者,而是选择忽视或前往内科(例如神经内科)寻求医疗帮助。基于此,本发明提供的抑郁焦虑障碍预测***和方法所基于的抑郁焦虑预测模型,只需要受试者的胃肠电部分指标和基础临床信息(例如饮酒和血糖),无需多种检查和量表,即可对受试者的抑郁焦虑障碍发生风险进行预测,有利于抑郁焦虑障碍的早期筛查,也为抑郁焦虑障碍的介入治疗提供了时间。
由于本发明提供的抑郁焦虑障碍预测***和方法不涉及影像学检查等费用较高(甚至可能是侵入性的)检查,也无需受试者填写量表,程序简单、价格低廉,因此受试者接受度和配合度高。本发明提供的抑郁焦虑障碍预测***和方法,不受年龄、文化程度的限制,也不受就诊过程中沟通和理解上的障碍、医生个人经验的影响,能够相对客观和无创地对受试者数据进行分析和预测,尤其适用于对较大人群(例如社区、体检中心)进行抑郁焦虑障碍的初步筛查和早期检测。综上所述,本发明提供的抑郁焦虑障碍预测***和方法,不仅有助于辅助临床评价,而且有助于个体化预测,适用于多种应用场景(例如,基层医疗机构、家庭、医院、体检中心)和人群。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1示出了本发明实施例一的LASSO回归模型(a)与十折交叉验证结果(b);
图2示出了本发明实施例一的最优逻辑回归模型的列线图(a)与动态列线图(b);
图3示出了本发明实施例一的测试集(a)与验证集(b)的预测模型ROC曲线;
图4示出了本发明实施例一的测试集(a)与验证集(b)的校正曲线;
图5示出了本发明实施例提供的预测***的模块示意图;
图6示出了本发明实施例中导联的放置部位;
图7示出了本发明实施例提供的预测***的架构示意图。
100为预测***,102为数据获取模块,104为模型构建模块,106为数据库,108为模型训练模块,110为验证模块,112为预测模块,202为第一终端,204为第二终端,206为网络,601为胃体,602为小弯,603为大弯,604为胃窦,605为升结肠,606为横结肠,607为降结肠,608为直肠。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本文中“和/或”包括任何和所有一个或多个列出的相关项的组合。
本文中“多个”意指两个或两个以上,即其包含两个、三个、四个、五个等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
如在本说明书中使用的,术语“大约”,典型地表示为所述值的+/-5%,更典型的是所述值的+/-4%,更典型的是所述值的+/-3%,更典型的是所述值的+/-2%,甚至更典型的是所述值的+/-1%,甚至更典型的是所述值的+/-0.5%。
在本说明书中,某些实施方式可能以一种处于某个范围的格式公开。应该理解,这种“处于某个范围”的描述仅仅是为了方便和简洁,且不应该被解释为对所公开范围的僵化限制。因此,范围的描述应该被认为是已经具体地公开了所有可能的子范围以及在此范围内的独立数字值。例如,范围1~6的描述应该被看作已经具体地公开了子范围如从1到3,从1到4,从1到5,从2到4,从2到6,从3到6等,以及此范围内的单独数字,例如1,2,3,4,5和6。无论该范围的广度如何,均适用以上规则。
实施例一:胃肠电信号与抑郁焦虑障碍预测模型
1.1方法
受试者:在中国西部地区的60个社区,招募40岁以上自愿参与研究并签署知情同意书的社区人群,并采集受试者的年龄、性别、婚姻状况、文化水平、生活方式、饮食习惯等一般资料,以及开展抑郁焦虑量表评测和胃肠电图检测。排除标准为:排除耳聋眼盲者、半年内被诊断为胃炎、胃溃疡等胃肠道疾病或有腹泻、便秘等胃肠不适者;排除有严重的心肝肾等重大器官功能不全或有糖尿病等代谢性疾病者,以及重大精神疾病的患者;为降低药物对胃肠电图检测影响,排除在检查前1周服用过任何药物者。
抑郁焦虑评估:采取患者健康问卷-9(Patient Health Questionnaire,PHQ-9)来评估抑郁状态,以及采用广泛性焦虑量表-7(Generalized Anxiety Disorder-7,GAD-7)来评估焦虑状态。这两个量表在评估抑郁或焦虑方面均具有较好的信度和效度。上述两个量表是受试者在两名专业人员安静的缓解下,采用统一的术语指导填写。由于焦虑、抑郁两种精神障碍疾病密切相关(常共病出现),因此在本实施例中,受试者被诊断为抑郁或焦虑均纳入精神心理障碍(即将焦虑、抑郁视作一个整体进行预测)。
EGEG记录:用8通道胃肠电图仪测量并采集胃肠道肌电活动信号(XDJ-S8,HefeiKaili Co.,Hefei,China)。所有受试者均被告知在3天内避免饮酒和辛辣或刺激性食物,并在检查前禁食至少6小时。测量时取仰卧位。在腹部皮肤上放置4个胃电极(导联分别放置在胃体601、小弯602、大弯603、胃窦604处)和4个肠电极(导联分别放置在升结肠605、横结肠606、降结肠607、直肠608处)(Hanjie Co.Ltd.,Shanghai,China)(图6)。检查过程中,嘱咐受试者避免任何动作和说话。在6分钟的餐前EGEG记录后,进行进餐功能负荷实验。摄入约200kcal的标准食物后,再记录6分钟的餐后胃肠电信号。导联的放置部位如图6所示:胃体601:剑突与脐连线中点向左旁开三至五厘米,往上一厘米;胃窦604:剑突与脐连线中点向右旁开二至四厘米;小弯602:剑突与脐连线中点向上1/2处;大弯603:剑突与脐连线中点向下1/2处。升结肠605:与脐持平向右旁开二至四厘米;横结肠606:脐下一厘米;降结肠607:与脐持平向左旁开二至四厘米;直肠608:背部尾骨部下。
胃肠电指标:EGEG采样频率为1Hz、滤波频率为0.008Hz-0.1Hz,以滤除包括心跳在内的背景噪声。在检测伪影后,由检查仪配套软件计算出原始的EGEG电位数据,并通过软件进行频谱分析,分别导出如下参数:(1)波形平均幅值;(2)波形平均频率;(3)胃(肠)电节律紊乱百分比;(4)波形反应面积;(5)导联时间差;(6)主频率;(7)主功率比;(8)正常慢波百分比;(9)偶联百分比。
其他指标:每位受试者均接受了血糖血脂指标的测定,包括葡萄糖、甘油三酯、胆固醇、高密度脂蛋白、低密度脂蛋白。还向每位受试者收集了基本的个人特征指标,包括性别、年龄、吸烟史、饮酒史、BMI。
预测模型的构建:首先,为了获得预测因子子集,使用正则化算法之一的LASSO回归分析来进行第一轮变量筛选。此外,LASSO回归分析运行10倍交叉验证,对所包含的变量进行集中化和规范化处理,并选择"lambda.min"作为最佳性能。按照7:3的随机比例,将受试者随机分为训练集和验证集。然后,采用逐步多变量逻辑回归分析对LASSO回归模型中筛选出的预测因子,进行第二轮变量筛选,并利用保留的具有统计学意义的预测因子(本发明中,“预测因子”与“预测变量”表示相同含义)来建立预测模型。最后,将建立的预测模型应用于抑郁焦虑障碍风险的预测和建立列线图预测模型。应当理解,还可以使用本领域已知的其他适宜算法,例如随机森林方法、其他正则化方法(例如岭回归)、神经网络等。
此外,通过使用训练集和验证集的数据,分别采用了几种验证方法来评估风险预测模型的准确性,包括:ROC曲线,ROC曲线下的面积用于辨别抑郁焦虑障碍风险列线图的质量,以区分真阳性和假阳性(即区分度);和校准曲线,校准曲线用于评估抑郁焦虑障碍风险列线图的校准度,同时进行Hosmer-Lemeshow检验。所有的分析都使用R 4.1.3版本的软件包glmnet和rms,显著性水平被设定为双尾α<0.1。
1.2结果
受试者数据信息:
共计662例受试者完成了全部的相关检查,包括男性204例和女性458例,其中诊断为焦虑或抑郁的人数为90人(男性69例,女性21例)。受试者的胃肠电指标是通过将上述8个导联的餐前或餐后的参数指标数据取平均值得到的,分别代表胃部餐前的导联信号指标、胃部餐后的导联信号指标、肠部餐前的导联信号指标和肠部餐后的导联信号指标。采用将多个导联放置在多个位置同时进行信号采集,然后再取平均值的做法可以更好地捕捉胃部和肠部的整体运动规律,以便更有效地获取能够反映胃部和肠部整体真实状态的信号。并且,本发明预实验的测试发现,通过上述方式进行的多点信号采集所获得的信号指标也较为稳定,有利于模型的建立,并且所建立的模型对大规模人群也具有更好的通用性。
所有受试者按7:3的随机抽样比例分配,464例和198例受试者被分别分配到训练集与验证集中。
独立风险因素的筛选:
采用基于LASSO回归的非零系数特征变量筛选,在纳入的46个相关的特征变量(在本发明中也可以被称为自变量(Independent Variable,IV),表1)中,本发明的技术方案最终选择保留了8个特征变量作为人工智能模型的潜在的预测变量(图1a和图1b)对响应变量(在本发明中也可以被称为结局变量(Dependent Variable,DV))(即抑郁焦虑障碍发生风险)进行预测,包括:饮酒、血糖、餐后肠部的正常慢波百分比、餐后肠部的偶联百分比、餐前肠部的反应面积、餐前肠部的导联时间差、餐前胃部的主功率比和餐前胃部的正常慢波百分比(表2)。
表1:46个相关的特征变量(参数指标)
表2:实施例一的第一轮变量筛选
本发明技术方案所采用的LASSO(Least Absolute Shrinkage and SelectionOperator,最小绝对收缩和选择算子)回归分析是一种线性回归模型的收缩和特征变量选择方法。为了获得预测因子子集,LASSO回归分析通过对模型参数施加约束,使一些特征变量的回归系数向零缩减,从而使响应变量的预测误差最小化。在收缩过程后,回归系数等于零的特征变量被排除在模型之外,而回归系数为非零的特征变量则与响应变量有最强的关联。参数λ用于调整LASSO回归的复杂程度。具体地,λ越大,对特征变量较多的线性回归模型的惩罚力度就越大,从而最终获得特征变量较少且这些特征变量均与响应变量关联性较强的模型(即预测性能最优的模型)。图1a中,每一条曲线分别代表了对应的特征变量回归系数的变化轨迹;其中纵坐标表示回归系数的值,下横坐标表示log(λ),上横坐标表示此时模型中非零回归系数的个数。换句话说,第一轮特征变量筛选主要排除了46个相关的特征变量中回归系数容易缩减至零的特征变量,而保留了上述8个特征变量作为预测模型的预测变量。
进一步地,为了对基于上述8个预测变量的预测模型的性能有更准确的评估,基于对数似然函数(-2log-likelihood)和二元因变量(可以理解为变量是“是/否”)的类型参量(即交叉验证选取模型时希望最小化的目标参量),本发明的技术方案采用LASSO回归分析运行10倍交叉验证(cross validation),对所包含的46个特征变量进行集中化和规范化处理,然后挑选出最佳λ值。如图1b所示,由于交叉验证,对于每一个λ值,黑点表示目标参量的均值,黑点上下的实线表示该目标参量的置信区间;两条虚线分别指示了两个特殊的λ值(即Lambda.min和Lambda.1se),在这两个λ值之间的λ都可以被认为是合适的。使用Lambda.1se(Lambda.1se表示在Lambda.min的一个方差范围内,得到最简单的模型的λ值)构建的模型最简单(即使用的预测变量数量最少);而使用Lambda.min(Lambda.min表示在所有的λ值中目标参量均值最小)构建的模型准确率更高,因此本发明的技术方案使用“Lambda.min”,以构建具有性能最佳、准确率最高的预测模型。
预测模型的开发:
本发明的技术方案通过引入LASSO回归模型中选择的特征变量,使用逐步多变量逻辑回归分析来建立预测模型。然后,引入所选择的特征变量并分析特征变量的统计学显著性水平,将具有统计学意义的部分特征变量作为预测变量/预测因子,用于建立抑郁焦虑障碍风险的预测模型。
本发明的技术方案再采用逻辑回归模型对上述8个预测变量进行分析,并进行逐步法选择最优预测变量,最终保留6个预测变量(每个预测变量均在0.1检验水平上有统计学显著性)。这6个预测变量分别是饮酒、血糖、餐后肠部的正常慢波百分比、餐后肠部的偶联百分比、餐前肠部的反应面积以及餐前肠部的导联时间差(表3)。本发明的技术方案使用多种统计学手段检验了上述6个特征变量,其中着重分析了这些特征变量的比值比(oddsratio(OR),又称优势比)。OR值是量化两个事件之间关联强度的统计量,表示暴露(在本发明中即所检验的特征变量,下同)后发生的结果与不存在相同暴露时发生结果的几率的比率。OR值在本发明中具体可以理解为:抑郁焦虑障碍(即响应变量)与暴露之间的关联强度,表示暴露者的抑郁焦虑障碍发生风险(也可以理解为疾病危险度)为非暴露者的倍数。如果所检验的特征变量的OR值>1,则说明抑郁焦虑障碍发生风险因暴露而增加,该特征变量与抑郁焦虑障碍之间为“正”关联;如果所检验的特征变量的OR值<1,则说明抑郁焦虑障碍发生风险因暴露而减少,该特征变量与抑郁焦虑障碍之间为“负”关联;如果所检验的特征变量的OR值=1,则说明抑郁焦虑障碍与该特征变量无关联。95%置信区间(95%ConfidenceInterval(CI))提供了对通过检验得到的OR值的准确性的估计(estimate),其描述了总体真实值可能在通过检验得到的OR值的95%置信区间内波动,且置信区间越小,通过检验得到的OR值越准确、稳健。表3中的OR(上)和OR(下)表示所检验的特征变量的OR值的置信区间(95%CI)。表3显示了保留的6个预测变量的比值比(OR)及其95%置信区间,表明这些预测变量都与抑郁焦虑障碍存在一定的关联,因此被应用至本发明的抑郁焦虑障碍预测模型。
另外,表3中,回归系数β:经逻辑回归模型分析获得的预测变量与响应变量相关的偏回归系数,表示每单位量的上升给响应变量带来的影响大小及方向(偏回归系数经标准化后可以比较,所检验的预测变量的回归系数β是一种估计值)。标准误:即所检验的预测变量的回归系数β的标准误,表示回归系数的准确性(标准误越大,所检验的预测变量的准确性越低)。Z值:z统计量,即所检验的预测变量的回归系数β除以其对应的标准误,主要用于判断所检验的预测变量的P值。P值:对应于所检验的预测变量的z统计量的P值(P值越小,所检验的预测变量对响应变量来说越重要)。
表3:实施例一的第二轮变量筛选
基于上述6个预测变量,本实施例构建了抑郁焦虑障碍的风险预测模型,并通过绘制相应的列线图(nomogram)以将构建的抑郁焦虑障碍预测模型更好地可视化,参见图2a和图2b(图2b中,*P<0.05被视为统计学显著)。图2a和图2b是本发明构建的抑郁焦虑障碍预测模型的列线图的不同表现形式。图2a和图2b中,每个变量(例如,“饮酒”、“血糖”等)对应的线段上都标注了刻度,其代表该变量的取值范围;而线段的长度反映该变量对结局事件(即抑郁焦虑障碍发生)的贡献大小。在不同取值下,每个变量可以在图2a或图2b最上方的“分数”或“β(X-m)项”(也可以理解为回归系数β)处得到相应的单项分数。取值后,将所有变量对应的单项分数相加,可以得到“总分”。根据总分,可以在图2a或图2b最下方的“焦虑和抑郁的风险”或“焦虑和抑郁的概率”处获得抑郁焦虑障碍的发生概率。作为示例,在图2a中,如果某个受试者的总分为300,则其发生抑郁焦虑障碍的风险大约为0.22(22%)。另外,在图2b所示的动态列线图中,每个变量对应的线段上的黑点分别表示某个受试者的实际取值,而线段上方的波形图显示了各变量的具体分布情况。可以根据黑点的位置,在上方的“β(X-m)项”处得到相应的单项分数,然后计算总分并获得对应的抑郁焦虑障碍的概率(在图2b的示例中,该受试者发生抑郁焦虑障碍的概率为0.408)。
预测模型的验证:
本发明使用训练集和验证集的数据,绘制了相应的受试者工作特征(ROC)曲线来评价构建的预测模型的灵敏度(也可以理解为真阳性率)和特异性(也可以理解为真阴性率)。在图3a和图3b中,横坐标表示“假阳性率”,即“1-特异性”;纵坐标表示“真阳性率”,即“灵敏度”;ROC曲线(即图3a和图3b中的实线)下的面积(AUC,即ROC曲线下与坐标轴围成的面积)分析用于辨别风险列线图的质量,以将真阳性从假阳性中区分出。对于建立的预测模型,列线图ROC曲线下的面积(AUC)均在0.6以上(即大于虚线下的面积):在训练集中为66.03%(95%CI(置信区间):59.29%-72.76%)(图3a),在验证集中为67.84%(95%CI:56.97%-78.71%)(图3b),说明本发明构建的模型表现出良好的稳健性。
校准曲线用于观察预测概率是否与实际概率接近。在两种数据集的列线图校准曲线上,也显示出良好的一致性(图4a和图4b,虚线曲线表示实际观察到的抑郁焦虑障碍发生概率,实线曲线则表示预测模型预测的抑郁焦虑障碍发生概率)。综合上述验证结果可知,本发明构建的抑郁焦虑障碍预测模型具有较好的预测能力。
实施例二:使用上述预测模型,预测受试者疾病发生焦虑抑郁障碍风险的概率
参见图7,图7是本发明实施例提供的预测***的一个可选的架构示意图。为实现支撑一个示例性应用,终端(示例性示出了第一终端202和第二终端204)通过网络连接预测***。本发明涉及的网络可以是广域网或者局域网,或者是二者的组合,使用无线链路实现数据传输。本发明涉及的终端可以为智能手机、平板电脑、笔记本电脑等各种类型的用户终端。终端可以用于显示输入受试者数据和/或样本数据的界面,以及显示预测***的预测结果的界面。
下面说明预测***的示例性结构,在一些实施例中,如图5所示,预测***100可以包括:
数据库106,用于存储数据,所述数据的类型包括胃肠电信号数据和临床数据,所述数据包括来自样本人群的样本数据和来自受试者的受试者数据;
数据获取模块102,用于获取所述数据,并将所述数据存储于所述数据库106;
模型训练模块108,所述模型训练模块108利用机器学习算法对所述样本数据进行训练学习,从而确定预测模型(例如,抑郁焦虑障碍预测模型);
预测模块112,所述预测模块112通过所述数据获取模块102获取所述受试者数据,并调用所确定的预测模型(例如,抑郁焦虑障碍预测模型)对所述受试者数据进行分析,用以预测所述受试者发生抑郁焦虑障碍的概率。
预测***100还可以包括验证模块110,所述验证模块110用于评价所确定的预测模型(例如,抑郁焦虑障碍预测模型)的准确性,所述评价的评价指标包括校准度或区分度。
其中,所述数据库106、所述模型训练模块108和所述验证模块110可以整合为模型构建模块104。
作为示例,在实施例一的抑郁焦虑障碍预测***中,所述胃肠电信号数据具体包括餐前肠部的反应面积、餐前肠部的导联时间差、餐后肠部的正常慢波百分比和餐后肠部的偶联百分比,所述临床数据具体包括饮酒和血糖。
下面给出本发明的一个具体应用场景。
A社区开展抑郁焦虑障碍的大规模筛查活动,采集社区内目标人群(例如,中老年人)的胃肠电信号数据、血糖血脂数据和个体特征数据(后二者统称为“临床数据”),并通过第一终端202将受试者数据输入。受试者数据经网络206传输至预测***100的数据获取模块102。数据获取模块102获取来自受试者的受试者数据并将其存储在数据库106中。
预测模块112获取所述受试者数据并调用已建立的抑郁焦虑障碍预测模型,以对所述受试者数据进行分析,并预测所述受试者发生抑郁焦虑障碍的概率。
作为输出,预测模块112可生成提示所述受试者发生抑郁焦虑障碍的风险的报告,并将预测结果通过网络206传输至第一终端202。A社区可以提前设置抑郁焦虑障碍发生风险阈值(例如,抑郁焦虑障碍发生概率为30%)。当某个患者(例如,B患者)被预测的抑郁焦虑障碍的发生风险超过设置的风险阈值时(例如,发生概率为40%),A社区应当对B患者或其家属发出提醒并建议前往推荐或合作的医院就诊。B患者前往医院就诊时,医院会对B患者进行进一步的、更详尽的检查,以判断该患者是否患有被提示的抑郁焦虑障碍。医生可以将B患者的诊断结果,通过第二终端204传输至预测***100。B患者的数据(受试者数据+诊断结果)可以作为新的样本数据,用于进一步训练抑郁焦虑障碍预测模型。当然,B患者的诊断结果也可以通过第一终端202传输至预测***100,换句话说,传输B患者的诊断结果的终端可以是相同或不同的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到,上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机终端(可以是手机、计算机、服务器、或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种抑郁焦虑障碍预测***,其特征在于,包括:
数据库,用于存储数据,所述数据的类型包括胃肠电信号数据和临床数据,所述胃肠电信号数据包括餐前胃肠电信号数据和餐后胃肠电信号数据;所述餐前胃肠电信号数据包括餐前肠部的反应面积和餐前肠部的导联时间差,所述餐后胃肠电信号数据包括餐后肠部的正常慢波百分比和餐后肠部的偶联百分比,所述临床数据包括饮酒和血糖;所述数据包括来自样本人群的样本数据和来自受试者的受试者数据;
数据获取模块,用于获取所述数据,并将所述数据存储于所述数据库;
模型训练模块,所述模型训练模块利用机器学习算法对所述样本数据进行训练学习,从而确定抑郁焦虑障碍预测模型,所述抑郁焦虑障碍预测模型用于将抑郁和焦虑作为一个整体进行预测,所述抑郁焦虑障碍预测模型的预测变量包括所述餐前肠部的反应面积、所述餐前肠部的导联时间差、所述餐后肠部的正常慢波百分比、所述餐后肠部的偶联百分比、所述饮酒和所述血糖;
预测模块,所述预测模块通过所述数据获取模块获取所述受试者数据,并调用所述抑郁焦虑障碍预测模型对所述受试者数据进行分析,用以预测所述受试者发生抑郁焦虑障碍的概率。
2.如权利要求1所述的***,其特征在于,所述样本数据以7:3的比例被分为训练集和验证集。
3.如权利要求1所述的***,其特征在于,所述胃肠电信号数据通过分别位于胃体、胃窦、小弯、大弯、升结肠、横结肠、降结肠和直肠的导联同时采集得到。
4.如权利要求2所述的***,其特征在于,所述***进一步包括验证模块,所述验证模块用于利用所述验证集来评价所述抑郁焦虑障碍预测模型的准确性。
5.如权利要求4所述的***,其特征在于,所述评价的评价指标包括校准度或区分度。
6.一种抑郁焦虑障碍预测模型的构建方法,其特征在于,包括以下步骤:
S1获取来自样本人群的样本数据,所述样本数据的类型包括胃肠电信号数据和临床数据;
S2对所述样本数据进行预训练以筛选出所述抑郁焦虑障碍预测模型的预测变量,所述筛选出的预测变量包括餐前肠部的反应面积、餐前肠部的导联时间差、餐后肠部的正常慢波百分比、餐后肠部的偶联百分比、饮酒和血糖;
S3基于所述筛选出的预测变量,利用机器学习算法对所述样本数据进行训练学习,以建立抑郁焦虑障碍预测模型,所述抑郁焦虑障碍预测模型用于将抑郁和焦虑作为一个整体进行预测。
7.如权利要求6所述的方法,其特征在于,所述样本数据以7:3的比例被分为训练集和验证集。
8.如权利要求6所述的方法,其特征在于,所述预训练包括第一轮变量筛选和第二轮变量筛选;所述第一轮变量筛选包括LASSO回归分析,所述第二轮变量筛选包括逻辑回归分析和逐步回归分析。
9.如权利要求7所述的方法,其特征在于,所述方法进一步包括S4利用所述验证集来评价所述抑郁焦虑障碍预测模型的准确性,所述评价的评价指标包括校准度或区分度。
10.如权利要求6所述的方法,其特征在于,所述预训练包括岭回归或随机森林模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496983.3A CN115886818B (zh) | 2022-11-25 | 2022-11-25 | 一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211496983.3A CN115886818B (zh) | 2022-11-25 | 2022-11-25 | 一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115886818A CN115886818A (zh) | 2023-04-04 |
CN115886818B true CN115886818B (zh) | 2024-02-09 |
Family
ID=86489194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211496983.3A Active CN115886818B (zh) | 2022-11-25 | 2022-11-25 | 一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115886818B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN106407695A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的焦虑症预测方法和预测*** |
KR20190122429A (ko) * | 2018-04-20 | 2019-10-30 | 고려대학교 산학협력단 | 문항 반응 이론 알고리즘 기반 전산화된 우울 불안 평가 시스템 |
KR20190133581A (ko) * | 2018-05-23 | 2019-12-03 | 한국과학기술원 | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 |
WO2021184412A1 (zh) * | 2020-03-18 | 2021-09-23 | 浙江大学 | 基于肠道微生物的双相情感障碍生物标志物及其筛选应用 |
-
2022
- 2022-11-25 CN CN202211496983.3A patent/CN115886818B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105147248A (zh) * | 2015-07-30 | 2015-12-16 | 华南理工大学 | 基于生理信息的抑郁症评估***及其评估方法 |
CN106407695A (zh) * | 2016-09-28 | 2017-02-15 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的焦虑症预测方法和预测*** |
KR20190122429A (ko) * | 2018-04-20 | 2019-10-30 | 고려대학교 산학협력단 | 문항 반응 이론 알고리즘 기반 전산화된 우울 불안 평가 시스템 |
KR20190133581A (ko) * | 2018-05-23 | 2019-12-03 | 한국과학기술원 | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 |
WO2021184412A1 (zh) * | 2020-03-18 | 2021-09-23 | 浙江大学 | 基于肠道微生物的双相情感障碍生物标志物及其筛选应用 |
Also Published As
Publication number | Publication date |
---|---|
CN115886818A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Martinez-Ríos et al. | A review of machine learning in hypertension detection and blood pressure estimation based on clinical and physiological data | |
Li et al. | Non-invasive monitoring of three glucose ranges based on ECG by using DBSCAN-CNN | |
RU2768581C2 (ru) | Устройства, системы и способы для прогнозирования, скрининга и контроля энцефалопатии/делирия | |
Holtzer et al. | Interactions of subjective and objective measures of fatigue defined in the context of brain control of locomotion | |
KR20090024808A (ko) | 치매 및 치매성 장애의 평가 | |
KR102302071B1 (ko) | 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스 | |
Martin et al. | Stress, coping, and social support in health and behavior. | |
Doan et al. | Predicting dementia with prefrontal electroencephalography and event-related potential | |
CN111508607B (zh) | 一种基于bp神经网络的肥胖症预测*** | |
CN115299887B (zh) | 一种动态代谢功能的检测量化方法和*** | |
Ho et al. | Patient and caregiver characteristics related to completion of advance directives in terminally ill patients | |
Gutiérrez-Tobal et al. | Ensemble-learning regression to estimate sleep apnea severity using at-home oximetry in adults | |
Li et al. | A model for obstructive sleep apnea detection using a multi-layer feed-forward neural network based on electrocardiogram, pulse oxygen saturation, and body mass index | |
Rath et al. | An exhaustive review of machine and deep learning based diagnosis of heart diseases | |
Bilgin et al. | Investigation of the relationship between anxiety and heart rate variability in fibromyalgia: A new quantitative approach to evaluate anxiety level in fibromyalgia syndrome | |
WO2024109022A1 (zh) | 基于胃肠电信号的认知功能障碍预测***及构建方法 | |
Shafi et al. | Prediction of heart abnormalities using deep learning model and wearabledevices in smart health homes | |
Migovich et al. | Feasibility of wearable devices and machine learning for sleep classification in children with Rett syndrome: A pilot study | |
CN115886818B (zh) | 一种基于胃肠电信号的抑郁焦虑障碍预测***及其构建方法 | |
Lucena et al. | The Performance of Short‐Term Heart Rate Variability in the Detection of Congestive Heart Failure | |
CN116584962B (zh) | 一种基于胃肠电信号的睡眠障碍预测***及其构建方法 | |
Azimi et al. | Identifying sleep biomarkers to evaluate cognition in HIV | |
CN117898682B (zh) | 基于胃肠电信号的癫痫预测***及构建方法 | |
Zan et al. | Research of improved fast independent component analysis algorithm in rectal diagnosis signal preprocessing | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |