- 综合排序
- 最热优先
- 最新优先
- 来自专栏CSDN社区搬运
MSA+抑郁症模型总结
此外，抑郁症对世界各地的个人和社会都有严重的负面影响。目前，抑郁症的诊断主要依靠问卷调查，辅以医学专业评估。但问卷调查的准确性在很大程度上取决于参与者的合作和操作人员的专业知识。 在这些数据形式中，音频和文本都很容易访问，并且包含有关抑郁症状的丰富信息。 with Hierarchical Mutual Information Maximization for Multimodal Sentiment Analysis（MMIM） 此外，原创部分为加入了抑郁症数据集以实现抑郁症检测任务 每个片段都标注了[-3,3]范围内的情感强度。该数据集分为三个部分，训练集(1,284段)、验证集(229段)和测试集(686段)。 CMU-MOSEI: 它类似于CMU-MOSI，但规模更大。 CMU-MOSEI中的样本被标记为[-3,3]范围内的情感强度和6种基本情绪。因此，CMU-MOSEI可用于情感分析和情感识别任务。
37810编辑于 2024-11-15 - 来自专栏思影科技
重度抑郁症患者的脑龄
将学习到的模型系数应用于927名对照组男性和986名抑郁症男性、1199名对照组女性和1689名抑郁症女性，以获得独立的无偏差脑龄预测值。 为了在这些测试样本中评估模型的性能，我们计算了 (1) MAE， (2) 预测脑龄和实际脑龄的pearson 相关系数， (3) 模型解释方差的比例 (R2) 。 3. 结果 3.1 脑龄预测性能 在对照组训练集中，经交叉验证，脑结构测量值可预测实际年龄，男性MAE为6.32 (SD 5.06) 岁，女性为6.59 (5.14) 岁。 图3 病例-对照组的脑龄差异。 MDD患者和对照组brain-PAD (脑龄差，预测脑龄- 实际年龄) MDD。组水平分析显示，MDD患者的brain-PAD显著高于对照组。A. 密度图，B. 最后，相比于较小的组间差异，对照组和MDD组的brain-PAD组内差异较大 (图3)，使得难以在个体水平上使用该指标来区分患者和对照组。
67940编辑于 2022-02-28 - 来自专栏脑电信号科研科普
慢性疼痛抑郁症状的神经环路
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 1.Nature neuroscience：中科大研究团队发现慢性疼痛疾病的共患抑郁症状的神经环路 慢性疼痛疾病中的共患抑郁症状（CDS 抑制5-THDRN到SOMCeA通路会在慢性疼痛模型小鼠身上表现出抑郁症状。采用光遗传或药物的方法激活这个通路，可以减轻模型小鼠身上表现出来的抑郁症状。 本文对这个过程的以下3个方面进行了重点阐述：1）通过捕捉情景记忆方面，海马对记忆表征的神经元重放可以驱动海马依赖性和非海马依赖性记忆的巩固; 2）标志着慢波和快速眼动睡眠的大脑振荡，提供了调节脑网络信息流和局部突触可塑性的机制 ；3）系统巩固期间记忆的定性转换，产生抽象的，类似于“要点”的记忆表征。 3.Journal of Neuroscience：丘脑-皮层之间的脑电信号耦合在人类运动执行中起着关键作用 近期来自美国佛罗里达大学的研究者在Journal of Neuroscience杂志发表题目为
73800发布于 2021-01-25 - 来自专栏CSDN社区搬运
机器情绪及抑郁症识别算法（六）
另外多模态抑郁症检测应运而生，依托于人工智能、机器学习和大数据分析等技术的进步，通过综合分析语音、表情、文本、行为、心理生理数据等多种信息源，能够更全面地捕捉和识别抑郁症的多维度表现。 这种方法不仅提高了抑郁症检测的准确性和客观性，还具有早期发现、持续监测和个性化干预的潜力，为抑郁症的管理和治疗带来了新的希望和可能性。 in the Wild: CMU-MOSEI Dataset and Interpretable Dynamic Fusion Graph”，其中提出的模型是Graph-MFN； 此外，原创部分为加入了抑郁症数据集以实现抑郁症检测任务 这些话语被手动注释为[-3，3]之间的连续意见评分，其中-3/+3表示强烈的消极/积极情绪。 2. 该数据集包含23453个带注释的视频片段（话语），来自5000个视频，1000个不同的扬声器和250个不同的主题 3.
54011编辑于 2024-12-20 - 来自专栏脑机接口
新型脑刺激疗法治疗重度抑郁症
约翰患有难治性抑郁症(TRD)，他是第一个参与深度脑刺激(DBS)治疗TRD临床试验的人。患者在手术过程中是清醒的，因为电导线被植入他们的大脑。 约翰说，“我当时处于抑郁症发作期，已经持续了五年。我尝试了许多不同的疗法和药物，其中一些在过去对我有效，还有一些新的，但这一次没有任何效果。”“抑郁症对我来说并不是什么新鲜事。 约翰说，大约四个月后，他的抑郁症才得到缓解。 E,F)受试者的前视图和近中视图显示实际植入位置。 他们专注于已知在抑郁症状中起作用的两个区域——胼胝体扣带回 (SCC) 和大脑的腹侧囊/腹侧纹状体 (VC/VS) 区域。 这就是约翰说他很难向他人描述他的抑郁症的原因之一——每个人的经历都可能是独一无二的。 论文信息 Sameer A.
59130编辑于 2022-08-18 - 来自专栏登神长阶
【论文复现】MSA+抑郁症模型总结（一）
与此同时，随着现代社会生活节奏的加快和工作压力的增大，抑郁症已成为职场中不可忽视的心理问题。早期发现并干预抑郁症，对于防止健康状况进一步恶化以及自杀倾向的出现至关重要。 通常而言，多模态情感分析（MSA）和抑郁症检测（DD）可以被视为回归任务或分类任务。在这项研究中，我们将其视为回归任务。 每个片段都标注了[-3,3]范围内的情感强度。该数据集分为三个部分，训练集(1,284段)、验证集(229段)和测试集(686段)。 CMU-MOSEI: 它类似于CMU-MOSI，但规模更大。 CMU-MOSEI中的样本被标记为[-3,3]范围内的情感强度和6种基本情绪。因此，CMU-MOSEI可用于情感分析和情感识别任务。 更多内容详见： https://www.aspiringcode.comuid=2f3a8c82324141c48058d8e14f59b3ce
60710编辑于 2024-11-09 - 来自专栏登神长阶
【论文复现】MSA+抑郁症模型总结（二）
此外，抑郁症对个人和社会均构成了严峻的全球性挑战。当前，抑郁症的诊断主要依赖于问卷调查和医学专业评估，但其准确性易受参与者配合度和操作人员专业水平的影响。 with Hierarchical Mutual Information Maximization for Multimodal Sentiment Analysis（MMIM） 此外，原创部分为加入了抑郁症数据集以实现抑郁症检测任务 每个片段都标注了[-3,3]范围内的情感强度。该数据集分为三个部分，训练集(1,284段)、验证集(229段)和测试集(686段)。 2. CMU-MOSEI中的样本被标记为[-3,3]范围内的情感强度和6种基本情绪。因此，CMU-MOSEI可用于情感分析和情感识别任务。 3. 更多内容详见： https://www.aspiringcode.comuid=2f3a8c82324141c48058d8e14f59b3ce
78610编辑于 2024-11-09 - 来自专栏思影科技
青少年女性抑郁症的内在神经回路
具体方法 被试选取： 从ADEPT项目中招募了 261 名处于青春期的女性（平均年龄为15岁3个月， SD=7个月）。其中，ADEPT 项目是旨在检查人格特征和首次抑郁症发作的一个纵向项目。 通过检验观察到抑郁症严重程度评分与模型预测的抑郁症严重程度评分之间的相关性，得到了来自训练集的 within-circuit (回路内) RSFC，并在测试集中进行了测试（图3A.B）。 全脑模型（图 3E，F）表现出与当前的抑郁症症状 有显著相关（r = .19 (p = .038)和MSE = .34 (p = .047)），但与18个月后的抑郁症症状无关( r = .11 (p = 图3 基于回路的RSSFC 概述解释了当前和未来的抑郁症 10折交叉验证（10fCV）的结果显示，观察到的抑郁评分与（A）当前和（B）未来抑郁症的 within-circuit 模型预测的抑郁评分之间存在关系 2、利用机器学习策略，证明了连接这些区域的网络中静息态功能连接的强度可以预测青少年女性群体中未来的抑郁症状。 3、在预测抑郁症时，包括整个大脑的大规模网络并不能解释额外的差异。
91910发布于 2019-11-27 - 来自专栏登神长阶
【论文复现】MSA+抑郁症模型总结（三）
鉴于此，近年来，基于视频、音频和文本的抑郁症监测技术逐渐成为研究热点。 研究背景 多模态情感分析和抑郁症检测是一个活跃的研究领域，它利用多模态信号对用户生成的视频进行情感理解和抑郁症程度判断。解决这一问题的主要方法是发展先进的模态融合技术。 这些话语被手动注释为[-3，3]之间的连续意见评分，其中-3/+3表示强烈的消极/积极情绪。 2. 该数据集包含23453个带注释的视频片段（话语），来自5000个视频，1000个不同的扬声器和250个不同的主题 3. 更多内容详见： https://www.aspiringcode.comuid=2f3a8c82324141c48058d8e14f59b3ce
60710编辑于 2024-11-11 - 来自专栏思影科技
经颅磁刺激治疗老年抑郁症
表3和图3显示了TMS干预后反应或缓解的患者数量。 表1 探究TMS治疗抑郁症疗效的试验的特点(此处样本平均年龄>55)。 在综述的RCTs中，有6个报告了反应率，其中有3个发现真刺激组和假刺激组之间反应者数量有显著差异。报告缓解率的5项RCTs中，有3项发现真刺激组和假刺激组之间存在显著差异(表3)。 表3 TMS治疗老年抑郁症(geriatric depression, GD)的随机对照试验(randomized controlled rials, RCTs)和非对照试验的缓解(remission) 图3. 此外，一项对13名GD患者进行的开放标签试验发现，在4周的20次iTBS治疗后，得到1/3的有效率和1/3的缓解率，与前面提到的传统rTMS治疗方案的有效率相似。
1.7K30编辑于 2022-02-28 - 来自专栏蚂蚁开源社区
程序员自述：我有抑郁症
Bagues 曾多次参加程序员与抑郁症的演讲，并出版《程序员与抑郁症》一书。 本文发表于国外，译文发之 在我念大学的第五个年头，就开始变得有点儿抑郁。 作为云通讯 Twilio 的开发者，我曾多次参加「程序员与抑郁症」的讲座。这几年来也有许多同行来与我倾诉，说他们也备受抑郁症的折磨。 我没有正式研究过抑郁症，但我猜想程序员得抑郁症的几率要比其他行业的从业人员高出好几倍。 下面是几个双向情感障碍症（精神分裂）和 ADD 缺陷障碍症（注意力缺陷综合症）的显著病征： 高专注力。
1.9K30发布于 2020-05-26 - 来自专栏AI掘金志
李飞飞团队最新成果：通过口语和3D面部表情评估抑郁症严重程度
抑郁症现在是一个全球性问题：已经有3亿多人患有抑郁症，严重时可导致自杀。 由于社会舆论、高昂成本和治疗缺位，60%的精神性疾病患者没有获得任何精神健康服务。 在本文中，我们提出了一种机器学习方法来测量抑郁症症状的严重程度。此多模态方法使用了3D面部表情和口语，这些数据在现在的手机上很常见。 贡献：我们提出了一种机器学习方法通过去识别化的多模态数据来测量抑郁症症状的严重程度。我们模型的输入是面部关键点的音频、3D视频以及患者在临床问诊中的说话转录文本。 2、数据集 我们使用了DAIC-WOZ数据集，其中包含了抑郁症和非抑郁症患者的音频和3D面部扫描。对于每一个患者，我们都提供了PHQ-8评分。这个语料库是用半结构化临床问诊数据创建的。 输入到我们的模型是：音频，3D面部扫描和文本。多模态句子级嵌入被装到了抑郁症分类器和PHQ回归模型里（上面没有显示）。 表1：检测抑郁症的机器学习方法的比较。
2.1K31发布于 2019-08-29 - 来自专栏思影科技
抑郁症自我评估的大脑动态网络模型
抑郁症的一个重要特征是自我的不安感，其中，内侧前额叶皮层在自我评估过程中起着重要的作用，其和抑郁症有重要的关系，为了探寻该区域的功能变化机理，这项工作对抑郁症自我评估过程中的内侧前额叶皮质活动进行研究。 结果： 抑郁症组和健康对照组的自主认知过程被证明依赖于同样的动态网络, 抑郁症组大脑前额叶皮层对抑郁症组的后扣带皮层有“超调节”效应，导致自我评估的不安感，其内侧前额叶皮质和后扣带皮质之间的负调节比对照组更明显 结论:在抑郁症的后扣带皮层中，其对内侧前额叶皮质的过度影响是导致抑郁症发病的重要因素。 图像获取与处理： 功能神经影像数据采用3-T GE系统采集，利用SPM12进行图像处理，头动矫正利用最小二乘和空间转换，这些处理过的数据会被重新配准到T1像，由于22个人在扫描期间头动过大，12个人对外部关注任务不佳 （odds ratio=0.54, 95 CI=0.38，0.77；p=0.00003）(图3，表2)，性别和年龄对连接参数的影响在表S2和S3,焦虑性障碍见表S6. ?
1.2K80发布于 2018-04-08 - 来自专栏脑电信号科研科普
自我轴：一个理解抑郁症的框架
我们的抑郁症研究框架使自我概念再次成为了抑郁症中的一个重要角色，这可能再次成为一个有用的抑郁症研究焦点。 抑郁症中的“自我”发生了变化。 2 抑郁症中的自我 抑郁症对一个人在现实生活的主观体验有着深远的影响。伴随着抑郁症状的叠加，使得自我和以前一样有所不同，我们感知自我的方式也变得不同。 最近的研究使用网络分析的方法检查了抑郁症状，证明了特定抑郁症状的存在并探索了某些抑郁症状如何驱动其他症状的发展，即某些抑郁症状与其他症状一起以复杂和可变的模式影响其他症状。 3 一个自我的大脑模型 自我可能不像心脏或脾脏以实体的方式存在，但它仍然是一个动态的实体，与潜在的大脑进程密切相关。 我们很难识别一个人的抑郁症特征，很难知道他对哪一种治疗更敏感。我们的模型强调了对抑郁症的多种解释，以及治疗抑郁症通常需要的多种治疗方法。
64020编辑于 2022-05-23 - 来自专栏脑电信号科研科普
抑郁症的功能连接组学:对治疗的见解
在这篇综述中，我们首先讨论了抑郁症相关功能连接体变异的最新进展。然后，我们讨论了抑郁症治疗特异性脑网络的结果，并提出了一个假设模型，突出了每种治疗在调节特异性脑网络连接和抑郁症症状方面的优势和独特性。 在接下来的两节中，我们回顾了未经治疗的抑郁症患者的功能性脑网络异常和相关抑郁症状的现有经验数据。然后我们讨论抑郁症治疗特异性功能网络的变化。 这凸显了在抑郁症背景下研究功能性网络异常的重要性。3. 治疗特异性脑功能网络在抑郁症中的变化如前所述，抑郁症与与不同抑郁症状相关的多个脑网络的功能连接受损有关。 此外，为了解决抑郁症的临床异质性，生物抑郁症亚型可以通过使用症状和治疗特异性的大尺度脑网络连接模式来识别。然而，目前的抑郁症生物型尚未达到最佳可重复性。
72420编辑于 2023-09-11 - 来自专栏智能算法
听你说话 机器学习算法就能检测抑郁症了
抑郁症越来越变成一个常见词，很多普通人心情不好时就称自己得了抑郁症。不过即便对医生来说，诊断也不是件容易的事。而南加州大学的研究人员开发出的机器学习工具，或许能让诊断变得更容易也客观。 抑郁症误诊是一个很大的问题，2009年一个综述研究发现，5万名患者中仅一半被正确做出诊断，误报与漏报比更是达到3:1。 对抑郁症来说，它又是一种异质性疾病，病因多样，表现形式也不同。再加上医生一周可能要见数百名状况不一、描述也不一的患者，那误诊可以说是情有可原了。 此前的调查发现，抑郁症患者的情感更平淡消极，语音变化会减少，音量和单调更单调，说话也会减少，而且吐字不清，停顿变长。另外，抑郁症患者的声道和声带更紧张。
79130发布于 2018-04-02 - 来自专栏脑电信号科研科普
重度抑郁症患者的非快速眼动睡眠
表3. 手指敲击任务的程序性记忆结果 (mean±SE)。结果报告了两次；一次包括所有极端值，另一次在去除极端值与总体平均值相差3个标准差之后。 睡眠阶段3/N3和阶段4被合并为SWS，类似于AASM标准，我们使用后者进行报告，即阶段1为N1，阶段2为N2。 BF10 值可以解释为无论是弱（1-3）、中度（3-10）、强烈（10-30）、非常强烈（30-100），还是极端（>100）的证据支持H1。 与未用药的患者相比，只有用药组的SW持续时间较长(图3D)， SW频率较低。在数据集C中，与对照组相比，用药7天和用药28天的患者SW振幅均有所下降(图3C)。 请注意，SW较长的持续时间可能会增加纺锤波对齐的机会（图3D）。在任何一个数据集中都没有发现SW-纺锤波计数和延迟的组间差异。（图3E, F）。
75850编辑于 2023-04-18 - 来自专栏脑机接口
脑电植入：治疗抑郁症的新方法？重磅！UCSF研究人员成功治疗一例重度抑郁症患者
在该项研究中，研究人员首次确定并调节了与抑郁症状唯一相关的大脑回路。 Sarah大脑植入该类似于神经起搏器的植入物的一年后，她的抑郁症状成功得到了缓解。 该技术被誉为提供抑郁症个性化治疗方法的里程碑。 通过将静息状态神经活动与症状严重程度评分配对，以识别与抑郁症相关的光谱功率生物标志物，确定候选感知位置。然后用三种方法测试候选刺激和感知目标之间的关系。 领导UCSF试验的精神病学家Katherine Scangos又招募了两名重度抑郁症患者参加试验，目标是总共招募12名志愿者。她说:“关于不同患者和不同类型抑郁症的可变性，还有很多东西需要了解。”
62360编辑于 2022-08-18 Nature：抑郁症患者的额-纹状体凸显网络显著扩张
总之，这些分析表明，在大多数抑郁症患者中，显着性网络显着扩展，效应量大，在涉及不同数据采集和分析程序的多个样本中可重现，并且其量级足以支持高准确率的个体分类。图2 抑郁症中显着网络扩展的三种模式3. 此外，受试者内分析显示，在我们的 SIMD 数据集中的任何密集采样个体中，抑郁症状的波动与显着性网络大小随时间的变化之间没有显着相关性（图3b)。 两个样本的显着性网络大小前后没有显着变化（图 3d）。此外，当前发作期间症状的严重程度（图3e）和个体报告的一生中经历的抑郁发作总数（图3f）都不能解释显着网络大小的个体差异。 利用青少年大脑认知发展 (ABCD) 研究的数据，我们确定了 57 名儿童，他们在 10 岁和 12 岁时接受扫描时没有明显的抑郁症状，但随后在 13 岁时出现了临床上显着的抑郁症状（图 3g）。 任何研究时间点的抑郁症状（图 3g）。两个样本的基线和 2 年随访之间的显着性网络大小在 2 年内没有显着变化。在患有晚发性抑郁症的成年人中也观察到了类似的效果。
39310编辑于 2025-01-10- 来自专栏思影科技
Biological Psychiatry：抑郁症，神经影像学和连接组学
抑郁症是一种全球流行的精神疾病，以情感、认知和躯体症状为特征。神经心理学研究表明抑郁症患者在执行功能、记忆和情绪处理方面存在障碍。 这些网络还包含一些模块，例如躯体感觉/运动、听觉、注意、视觉、皮质下和DMN (65-，以及高度集中的中枢节点，主要位于PCC/PCU、mPFC、DLPFC和脑岛(图3)。 遗传和环境对抑郁症患者大脑连接组学的影响 基因对抑郁症大脑网络的影响 抑郁症是一种高度遗传性疾病，据报道遗传率为31%至42%。 我们推测这些与抑郁症相关的易感基因可能影响抑郁症患者的脑网络拓扑结构，因此可结合神经影像学和分子遗传学方法进一步探索。 ? 图3.人类大脑的功能和结构脑网络枢纽展示。 同时，本文总结了抑郁症中结构和功能连接的最新发现和历史认识，本文的重点是针对抑郁症大脑网络的图论分析。
3K32发布于 2021-04-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号