摘要
抑郁症是一种严重影响心理健康和生活的心理异常精神疾病。目前尚不清楚其病因和发病机制，并缺乏相关的生物学标志物。本文从心理和生理两个方面对抑郁症症状进行识别。传统的基于行为信号的抑郁症识别往往采用自然状态下的行为信号，无法有效表征患者的抑郁心境。为此，我们提出了一种基于情感冲突任务的认知行为信号来识别非重度抑郁症。而基于生理信号的抑郁症识别方法研究目前无法解释深度学习模型是如何通过模式差异区分抑郁症患者和正常人的，这影响了该方法在抑郁症辅助诊断中的临床应用。此外，还缺乏基于生理信号的抑郁水平评估方法的研究。因此，我们通过对比学习方法以及多任务学习方法，分别构建了抑郁症分类与抑郁症状评估模型，用于抑郁症辅助诊断。本文的主要工作和创新点如下: 1.基于情绪冲突认知行为的非重度抑郁症诊断方法研究 目前，基于音频和视频等行为信号不能有效表征抑郁症患者抑郁心境，导致抑郁症分类准确性不高。为此，我们提出了采用情绪冲突Stroop范式构建情感冲突任务，并在此基础上构建统计学分布特征。使用我们提出的按类归一化方法进行特征归一化，结合Relief算法和主成分分析进行特征选择和降维，最终得到能够表征心理异常的认知行为特征。本文使用支持向量机、K最近邻、随机森林、带核函数的极限学习机、XGBoost等机器学习模型以及一种深度学习模型，深度随机森林对非重度抑郁症患者进行分类。实验结果表明，情绪冲突任务更能体现患者抑郁心境带来的情绪信息加工障碍，更能有效识别非重度抑郁症患者。 2.基于静息态fMRI脑功能图像和对比学习方法的抑郁症分类方法研究 目前，对于基于生理信号的抑郁症识别方法的研究存在两个问题:手工特征提取复杂，以及采用交叉熵损失函数训练网络模型无法有效学习特征表示。为了解决这些问题，我们采用了对比学习的方法，通过训练网络编码部分，提取具有判别性的特征。我们从数据、网络模型、分类器、损失函数和抑郁严重程度等方面研究了分类性能的影响。与传统直接采用交叉熵损失函数训练网络的方法相比,采用对比学习方法能够有效提取正常人和抑郁症患者的差异性特征，从而提高了分类性能。同时，我们通过梯度类激活的方法对特征图进行可视化，发现了抑郁症和正常人之间的模式差异，为深度神经网络如何识别抑郁症患者和正常人提供了良好的解释性。这项研究可以为临床医生提供辅助诊断与帮助，从而提高抑郁症的识别准确率。 3.基于静息态fMRI脑功能图像和多任务学习的抑郁水平评估方法研究 目前，基于生理信号的抑郁水平评估方法研究较为缺乏，同时单一任务模型也无法有效利用抑郁和焦虑之间的相关性，针对这些问题，我们使用静息态fMRI脑功能图像，提出了一种基于抑郁任务和焦虑任务的带有自适应时空通道注意力模块的三维卷积神经网络模型用于抑郁水平评估任务。在该模型中，可以通过多任务学习损失函数调节抑郁任务和焦虑任务的损失权重，来提高对抑郁水平评估的预测精度。自适应时空通道注意力模块可以在时空维度和通道维度上为特征更显著的区域分配更高的权重，并通过自适应模块来动态调节不同模块的权重，进一步提升模型特征提取的能力。通过消融实验验证了注意力模块在提升模型性能的有效性，并与其他注意力模块相比，表现出更好的性能。与现有的抑郁症评估方法相比，我们提出的方法获得了更好的结果。
NETL