Классификация депрессивных эпизодов на основе ночных измерений: многомерный и одномерный анализ данных

Психические расстройства типа депрессии составляют 28% от общего числа заболеваний, связанных с инвалидностью, и около 7,5% инвалидов в мире имеют подобные расстройства. Депрессия – это распространенное расстройство, которое влияет на душевное состояние, ежедневную деятельность, эмоции, а также вызывает нарушения сна. По некоторым оценкам, примерно 50% пациентов с депрессией страдают от нарушений сна. В данной работе процесс извлечения данных для классификации депрессивных и недепрессивных эпизодов в ночное время осуществляется на основе формального метода обнаружения знаний в базах данных (Knowledge Discovery in Databases, KDD). При использовании KDD процесс интеллектуального анализа данных имеет следующие четко выраженные этапы: предварительное обнаружение знаний в базах данных, отбор, предварительная обработка, преобразование, собственно анализ, оценка и последующее обнаружение знаний в базах данных. Для классификации был использован набор данных DEPRESJON, в котором содержится информация о двигательной активности 23 пациентов с монополярным и биполярным расстройством и 32 здоровых людей. Для классификации депрессивных и недепрессивных эпизодов были использованы два различных метода – многомерный и одномерный анализ данных. Для многомерного анализа применяется алгоритм случайного леса с моделью, основанной на 8 признаках. Результаты классификации имеют специфичность 0,9927 и чувствительность 0,9991. Одномерный анализ показывает, что наиболее информативной характеристикой модели являются пики активности, обеспечивающие точность 0,908 при классификации депрессивных эпизодов.

1. Depression and other common mental disorders: global health estimates. World Health Organization, 2017, 24 p.

2. Espinosa-Aguilar J. Caraveo-Anduaga M., Zamora-Olvera A. et al. Guía de práctica clínica para el diagnóstico y tratamiento de depresión en los adultos mayors. Salud Mental, vol. 30, no. 6, 2007, pp. 69-80 (in Spanish).

3. S.A. Montgomery and M. Asberg. A new depression scale designed to be sensitive to change. The British Journal of Psychiatry, vol. 134, no. 4, 1979, pp. 382-389.

4. Armitage R. Sleep and circadian rhythms in mood disorders. Acta Psychiatrica Scandinavica, vol. 115, issue s403, 2007, pp. 104-115.

5. Koffel E., Polusny M.A., Arbisi P.A., and Erbes C.R. Pre-deployment day time and nighttime sleep complaints as predictors of post-deployment ptsd and depression in national guard troops. Journal of Anxiety Disorders, vol. 27, no. 5, 2013, pp. 512-519.

6. Wichniak A. Wierzbicka A., Walecka M., and Jernajczyk W. Effects of antidepressants on sleep. Current Psychiatry Reports, vol. 19, no. 9, 2017, article no. 63.

7. Kuhs H. and Reschke D.. Psychomotor activity in unipolar and bipolar depressive patients. Psychopathology, vol. 25, no. 2, 1992, pp. 109-116.

8. Shatte A.B., Hutchinson D.M., & Teague S.J. Machine learning in mental health: a scoping review of methods and applications. Psychological Medicine, vol. 49, no. 9, 2019, pp. 1426-1448.

9. Frogner J.I., Noori F.M., Halvorsen P. et al. One-Dimensional Convolutional Neural Networks on Motor Activity Measurements in Detection of Depression. In Proc. of the 4th International Workshop on Multimedia for Personal Health & Health Care, 2019, pp. 9-15.

10. García-Ceja E., Riegler M., Jakobsen P. et al. Depresjon: a motor activity database of depression episodes in unipolar and bipolar patients. In Proc. of the 9th ACM Multimedia Systems Conference, 2018, pp.472-477.

11. Zanella-Calzada L.A., Galván-Tejada C.E., Chávez-Lamas N.M. et al. Feature extraction in motor activity signal: Towards a depression episodes detection in unipolar and bipolar patients. Diagnostics, vol. 9, no. 1, 2019, pp. 1-13.

12. Schuch F.B., Vancampfort D., Firth J. et al. Physical activity and incident depression: a meta-analysis of prospective cohort studies. American Journal of Psychiatry, vol. 175, no. 7, 2018, pp. 631-648.

13. Gruenerbl A., Osmani V., Bahle G. et al. Using smartphone mobility traces for the diagnosis of depressive and manic episodes in bipolar patients. In Proc. of the 5th Augmented Human International Conference, 2014, p. 1-8.

14. Murphy M.J. and Peterson M.J. Sleep disturbances in depression. Sleep Medicine Clinics, vol. 10, no. 1, 2015, pp. 17-23.

15. Guglielmi O., Magnavita N., and Garbarino S. Sleep quality, obstructive sleep apnea, and psychological distress in truck drivers: A cross-sectional study. Social Psychiatry and Psychiatric Epidemiology, vol. 53, no. 5, 2018, pp. 531–536.

16. Dåderman A. and Rosander S. Evaluating Frameworks for Implementing Machine Learning in Signal Processing: A Comparative Study of CRISP-DM, SEMMA and KDD. Bachelor’s Thesis. KTH, School of Electrical Engineering and Computer Science, 2018, 43 p.

17. Srinivasan R., Chen C., and Cook D. Activity recognition using actigraph sensor. In Proc. of the Fourth Int. Workshop on Knowledge Discovery from Sensor Data, 2010, pp. 25-28.

18. Garcia-Ceja E., Riegler M., Jakobsen P. et al. Depresjon: A Motor Activity Database of Depression Episodes in Unipolar and Bipolar Patients. In Proc. of the 9th ACM Multimedia Systems Conference, 2018, pp. 472-477.

19. Vijayashree J. & Sultana H. P. A machine learning framework for feature selection in heart disease classification using improved particle swarm optimization with support vector machine classifier. Programming and Computer Software, vol. 44, no. 6, 2018, pp. 388-397.