ChronoPsychosis：基于运动活动数据的时间分割及其对精神分裂症分类的影响
机器学习
2023-11-22 v1
摘要
精神分裂症是一种复杂的精神疾病，以影响认知、行为和情绪的广泛症状为特征。识别可靠生物标志物以准确分类精神分裂症的任务是精神病学领域的一项持续挑战。我们利用包含22名精神分裂症患者和32名对照受试者运动活动记录的数据集，研究运动活动数据中的时间模式，将其作为增强精神分裂症患者分类的潜在关键。该数据集包含每位参与者连续平均12.7天的每分钟运动活动测量值。我们将每天划分为若干时间段（十二、八、六、四、三和两部分）并评估其对分类的影响。我们在这些时间分割中使用十六个统计特征，并在七种机器学习模型上训练以获得更深入的见解。LightGBM模型优于其他六种模型。我们的结果表明，时间分割显著改善分类，AUC-ROC = 0.93、F1分数 = 0.84（LightGBM-无分割）以及AUC-ROC = 0.98、F1分数 = 0.93（LightGBM-有分割）。区分昼间与夜间时间段放大了精神分裂症患者与对照组之间的差异。然而，进一步细分为更小的时间段并未显著影响AUC-ROC。早晨、下午、傍晚和夜间划分给出的分类性能与昼夜划分相似。这些发现很有价值，因为它们表明除区分白天与夜晚之外的广泛时间分类不会产生实质性结果，为精神分裂症的进一步分类、早期诊断和监测提供了一种高效方法。
引用
@article{arxiv.2311.12590,
title = {ChronoPscychosis: Temporal Segmentation and Its Impact on Schizophrenia Classification Using Motor Activity Data},
author = {Pradnya Rajendra Jadhav and Raviprasad Aduri},
journal= {arXiv preprint arXiv:2311.12590},
year = {2023}
}