13、利用机器学习进行抑郁症早期诊断

利用机器学习进行抑郁症早期诊断

1. 引言

抑郁症是一种常见的心理健康障碍，会让人长时间感到悲伤，对曾经喜欢或觉得有意义的事情失去兴趣。它会干扰日常生活的效率、睡眠和食欲。在全球范围内，精神障碍是非传染性疾病中负担最重的，导致大量的残疾调整生命年（DALYs）损失。抑郁症是最普遍的精神障碍之一，早期发现抑郁症可以提高治疗效果。

本研究旨在利用机器学习，通过分析人们的日常活动来识别抑郁症的早期迹象。在包含真实和合成样本的数据集上训练了多个机器学习模型。数据收集过程包括两部分：一是基于汉密尔顿抑郁评定量表（HDRS）的问卷；二是关于日常活动和行为的18个问题。为消除不一致性，对原始数据集进行了清理、标准化和预处理。然后使用多种机器学习算法（如K近邻、支持向量机、决策树、线性判别分析和高斯朴素贝叶斯）训练分类模型。研究还考察了合成少数过采样技术（SMOTE）和随机欠采样在防止过拟合方面的效果，因为数据集不平衡可能导致过拟合。使用了多种性能指标（如精度、特异性、敏感性、AUC - ROC分数、f分数等）来评估这些技术。将决策树分类器与SMOTE结合产生了最佳结果，通过超参数优化和网格搜索，准确率提高到84.7%，AUC - ROC提高到0.934。

抑郁症会损害认知和社交功能，导致工作和其他方面的表现下降，还会影响人际关系质量。因此，早期识别和治疗抑郁症有助于改善生活，促进缓解、预防复发并减轻症状对个人的负担。目前，大多数精神健康障碍由专业临床医生诊断，也有一些自我报告或评估工具。现有的筛查工具主要关注人的感受，而行为评估可以提供更多线索，有助于疾病诊断和有效治疗的制定。

本研究的目的是利用机器学习技术，根据人们日常活动中的某些行为线索推断抑郁症的发作。为此，使用了包