Page 240 - 急诊医学与精神疾病的临床理论研究
P. 240
第七章 大数据时代的精神分析
在这里，我们重点描述了经典机器学习算法在 EEG 中的应用。由于 EEG 数
据是用图形表示的，所以研究人员通常利用基于 AI 的模型来对其进行分析。例如，
Field 和 Diego 采用线性判别分析法处理 EEG 数据，并且在对正常患者和抑郁症
患者进行分类时获得了 67% 的准确率。此外，Iosifescu 等采用支持向量机（SVM）
对 88 名受试者额头上的 8 导联中点的静息状态 EEG 数据进行分类，分类准确率
达 70%。此外，Bisch 等采用逻辑回归（LR）对抑郁症的 9 导联 EEG 数据进行分类，
分类准确率达 83.3%。
尽管 EGG 可以简化数据采集过程，但其会造成信息丢失。更重要的是，
EGG 数据存在的大量未被挖掘的因素会导致分类决策出现大量噪声。因此，开
发更适合 EGG 数据的机器学习模型是我们未来的主要研究方向。
3. 体势学
体势学数据（包括行为、面部等数据）对于研究精神疾病的发病机制、发展
转化和辅助诊断非常重要。AI 技术被广泛应用于分析这些数据，以帮助诊断和
预测精神疾病。
近几年，与 AI 相关的应用已被用于基于体势学的数据诊断。例如，Wang 等
提出了一种为视频数据建立概率面部表情轮廓的计算方法，该方法可以自动量化
精神疾病患者（如精神分裂症）和健康对照组之间情感表达的差异。Zhu 等采用
深度学习算法实现了抑郁症的自动诊断，他们通过将平均绝对误差降低 30.3%，
显著提高了抑郁症的预测性能。此外，Kaletsch 等研究了重度抑郁障碍（MDD）
患者与健康对照组在身体运动方面的情绪表达差异，并证明 MDD 患者比健康对
照组更消极。
另外，Dhamecha 等提出了一种用于识别或验证伪装后的人脸的人机性能算
法。该方法通过自动定位特征描述符来识别伪装后的人脸图像，并对这些信息进
行处理以提高匹配精度。实验结果表明，该算法不仅能在性能上优于现有的商用
算法，而且能在匹配时对伪装的人脸图像进行评价。
总的来说，随着 AI 和精密医学的发展，体势学数据的采集和分析将变得更
容易、更方便，且成本更低。体势学数据有助于提高模型的预测准确性和减少误
诊率，以及有助于精神病学专家诊断和治疗精神疾病。
223
