【技术实现步骤摘要】
本专利技术涉及重性抑郁障碍的诊断预测方法。
技术介绍
1、重性抑郁障碍(major depressive disorder,mdd)是一种常见且严重的心理障碍，对患者的生活质量和心理健康造成了重大影响。尽管已经有许多研究关注mdd的诊断和治疗，但其客观评估仍然面临挑战。目前，mdd的评估仍然依赖于主观的自我报告和临床观察，这种评估方式存在一定的主观性和局限性。
2、目前临床上有一些针对mdd的测评量表，它们经过多年精神心理学专家的探索和验证，具有一定的信效度，但是这些量表具有一定的主观性，使得结果的验证变得困难，mdd的诊断缺乏有力的客观指标。近年来，研究人员开始关注mdd的生物学基础，并寻找生物标志物以提高诊断准确性和治疗效果。如专利申请号：202210246411.3，专利技术名称：用于重性抑郁障碍诊断的circrna标志物及其应用，公开了用于重性抑郁障碍诊断的circrna标志物及其应用，所述circrna标志物为circube2k，首次揭示了检测mdd的标志物circube2k，且circube2k具有高度稳定性、特异性和敏感性。
3、然而，生物标志物研究面临一些挑战。首先，mdd是一个复杂的疾病，其发病机制涉及多个生物学系统的相互作用，目前尚未找到明确的单一生物标志物。其次，生物标志物的发现需要大规模的样本和复杂的数据分析方法，研究的经济成本和时间成本较高。此外，生物标志物研究需要克服个体差异、环境干扰以及技术标准化等问题。综上所述，传统的主观性评估和生物标志物研究方法在mdd研究中存在一定的局
4、近年来，人们开始采用如面部表情、语音特征、躯体运动、脑电图(electroencephalogram,eeg)、心率变异性(heart rate variability,hrv)和皮肤电活动(electrodermal activity,eda)这些客观的信号探索mdd的客观评估。然而，尽管这些客观信号的获取成本较低，但它们在环境因素干扰方面存在一定的限制，如噪声对语音特征分析的影响，环境光线对面部表情分析的影响等。为了克服这些局限性并提供更准确的客观评估，眼动追踪作为一种新兴的方法，具有特殊的优势。
5、眼动追踪是一种通过记录和分析眼球运动来研究人类注意和认知过程的技术。它基于以下原理：当人们观察和处理信息时，他们的眼球会在视觉场景中转动，使视觉最敏锐的区域从一个位置快速移动到另一个位置。这种眼球运动包括朝向眼跳(prosaccades，ps)、反向眼跳(anti-saccades，as)、记忆引导的眼跳(memory-guided saccade,mgs)和平滑追随运动(smooth pursuit eye movements,spem)等。通过追踪和记录眼球的运动轨迹，眼动追踪技术可以提供关于个体的注意分配、信息处理和认知策略的定量和定性信息。针对mdd，既往研究采用不同的范式对mdd人群进行了眼动特征探索，形成了相对成熟的理论知识体系。研究发现mdd患者较hc(健康对照组)，存在一些眼球运动特征，如在眼跳任务中，mdd患者较hc，表现出更长的眼跳潜伏期、更低的眼跳峰值速度及更差的眼跳准确性等特征；在注视任务中，mdd患者表现出更多的注视次数、更短的注视时间及更多的眼跳侵入等特征；在自由浏览任务中，mdd患者表现出更少的对积极图像的注视时间以及更多的对抑郁、焦虑相关图像的注视时间等特点；既往研究往往将这些眼球运动特征解释为mdd患者在认知功能、神经功能、注意偏好以及情绪等方面的特点，尽管以往研究在揭示眼球运动特征与mdd之间的关联方面取得了一定进展，但仍存在挑战和局限性，还达不到较好的预测效果。因此，需要进一步探索眼动追踪作为mdd研究的客观标志物的潜力。
技术实现思路
1、本专利技术的技术方案是提供了重性抑郁障碍的诊断预测方法。本专利技术另一技术文案是提供了预测重性抑郁障碍的计算机装置和存储介质。
2、本专利技术提供了一种重性抑郁障碍的诊断预测方法，包括：
3、a、获取分心刺激条件下眼动追踪任务的多维特征；
4、b、对多维特征进行回归分析，建立logistic回归模型，获得所述的logistic回归模型对应的第一预测概率；
5、c、对多维特征进行分类回归数分析，建立决策树模型，获得所述的决策树模型对应的第二预测概率；
6、d、以b步骤所述的第一预测概率为分析变量，所述多维特征中是否发生重性抑郁障碍为分类变量，构建所述logistic回归模型对应的roc曲线；
7、e、以c步骤所述的第二预测概率为分析变量，所述多维特征中是否发生重性抑郁障碍为分类变量，构建所述决策树模型对应的roc曲线；
8、f、从d步骤、c步骤对应的roc曲线中选取预测准确度以及下面积较高的roc曲线对应的模型，建立重性抑郁障碍的预测模型；
9、g、根据待测目标在分心刺激条件下眼动追踪任务所获取的多维特征，以及f步骤建立的重性抑郁障碍的预测模型，获得预测结果。
10、其中，所述的多维特征包括：瞳孔直径(um)、眨眼频率(次/分)、眼跳潜伏期(ms)、完成时(ms)、正确率(％)、眼跳幅度(°)、轨迹偏离角度(rad)、眼跳峰值速度(°/s)。
11、其中，所述的多维特征还包括：
12、首次正确率(％)、非首次正确率(％)、首次正确完成时(ms)、非首次正确完成时(ms)、眼跳峰值速度(°/s)。
13、其中，所述的正确率的计算方法为：accuracy＝c1/(c1+c2)×100％，其中，c1：被试正确完成任务的试次数量，c2：被试错误完成任务的试次数量；
14、所述的完成时的计算方法为：t＝t2-t1，其中，t2：出现在任意圆圈范围内的，由眼动仪自动记录的被试的首次注视开始时间，t1：由眼动仪自动记录的箭头出现的时间；
15、所述的轨迹偏离角度的计算方法为：α＝∣arctan(y1/x1)-arctan(y2/x2)∣，其中，x1，y1：由眼动仪自动记录的正确目标的横坐标和纵坐标，x1，y1：由眼动仪自动记录的箭头出现后首次眼跳终点的横坐标和纵坐标。
16、本专利技术提供了一种预测重性抑郁障碍的设备，包含实现所述的重性抑郁障碍的诊断预测方法。
17、本专利技术设备包括以下装置：
18、1)采集装置，获取眼动特征；
19、2)处理装置；
20、3)输出装置。
21、其中，所述的处理装置执行的程序包括如下步骤：
22、a、获取分心刺激条件下眼动追踪任务的多维特征；
23、b、按所述的诊断预测方法进行预测；
24、c、输出结果。
25、本专利技术重性抑郁障碍的诊断预测方法，采用分心刺激条件下的眼动追踪范式，通过引导被试在视觉注意干本文档来自技高网...
【技术保护点】
1.一种重性抑郁障碍的诊断预测方法，其特征在于：包括：
2.根据权利要求1所述的诊断预测方法，其特征在于：所述的多维特征包括：瞳孔直径(um)、眨眼频率(次/分)、眼跳潜伏期(ms)、完成时(ms)、正确率(％)、眼跳幅度(°)、轨迹偏离角度(rad)、眼跳峰值速度(°/s)。
3.根据权利要求2所述的诊断预测方法，其特征在于：所述的多维特征还包括：
4.根据权利要求2或3所述的诊断预测方法，其特征在于：
5.一种预测重性抑郁障碍的设备，包含实现权利要求1-4任意一项所述的重性抑郁障碍的诊断预测方法。
6.根据权利要求5所述的设备，其特征在于：它包括以下装置：
7.根据权利要求6所述的设备，其特征在于：所述的处理装置执行的程序包括如下步骤：
【技术特征摘要】
1.一种重性抑郁障碍的诊断预测方法，其特征在于：包括：
2.根据权利要求1所述的诊断预测方法，其特征在于：所述的多维特征包括：瞳孔直径(um)、眨眼频率(次/分)、眼跳潜伏期(ms)、完成时(ms)、正确率(％)、眼跳幅度(°)、轨迹偏离角度(rad)、眼跳峰值速度(°/s)。
3.根据权利要求2所述的诊断预测方法，其特征在于：所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。