基于多模态数据驱动的精神障碍分类：诊断抑郁症、焦虑症和精神分裂症的综合方法
机器学习
2025-02-07 v1
摘要
本研究探讨了多模态数据整合的潜力，该方法将脑电图（EEG）数据与年龄、性别、教育程度和智商（IQ）等社会人口学特征相结合，以诊断精神分裂症、抑郁症和焦虑症等精神疾病。利用Apache Spark和卷积神经网络（CNN），开发了一个适用于大数据环境的数据驱动分类流程，以有效分析海量数据集。为了评估与精神障碍相关的大脑活动和连接模式，我们检查了功率谱密度（PSD）和相干性等脑电图参数。比较分析强调了相干性特征的重要性，显示出分类准确性和鲁棒性的显著提高。本研究通过整合多种数据源，强调了整体方法对于高效诊断工具的重要性。研究结果证明了利用大数据、先进的深度学习方法以及多模态数据集来提高精神健康诊断的精确性、可用性和理解力的潜力，为创造性的、数据驱动的精神疾病治疗方法开辟了道路。
引用
@article{arxiv.2502.03943,
title = {Multimodal Data-Driven Classification of Mental Disorders: A Comprehensive Approach to Diagnosing Depression, Anxiety, and Schizophrenia},
author = {Himanshi Singh and Sadhana Tiwari and Sonali Agarwal and Ritesh Chandra and Sanjay Kumar Sonbhadra and Vrijendra Singh},
journal= {arXiv preprint arXiv:2502.03943},
year = {2025}
}