major depressive disorder
PulseAugur coverage of major depressive disorder — every cluster mentioning major depressive disorder across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
新AI框架增强了可解释的抑郁症症状标注
研究人员开发了一个新颖的框架，以改进AI系统的抑郁症症状标注，解决了标签缺乏结构化证据或与诊断标准不明确对齐的常见问题。这个自演化、专家在环系统结合了大型语言模型辅助和人工验证，为心理健康研究创建更可靠和可解释的数据集。该框架分三个阶段运行，包括证据选择、DSM-5-TR分析和病例级综合，并具有双记忆架构，用于内化专家反馈以进行迭代改进，无需重新训练。
-
中国研究人员开发可穿戴多巴胺传感器用于实时健康监测
中国研究人员开发了一种可穿戴传感器贴片，旨在实时监测多巴胺水平。该贴片利用微型针头测试皮肤下方的体液，旨在提供一种无痛的神经递质追踪方法。这项创新有望促进抑郁症和帕金森病等神经系统疾病的早期筛查，并促进智能居家健康管理。
-
AI智能体现可模拟七种心理障碍
研究人员开发了一种在强化学习智能体中模拟心理障碍的新颖框架，超越了单次运行、手动调整的方法。这种新方法允许对认知评估信号进行剂量可控的操纵，以诱导七种不同的障碍，包括焦虑、躁狂和抑郁，每种障碍都通过特定的检测方法进行测量。在超过一千次实验运行中，诱导的障碍表现出分级、剂量依赖的反应，而对照组未能复制，这表明了一种模拟AI情感表型的鲁棒且可控的方法。
-
AI模型在奖励评估回路受扰时表现出类似人类的快感缺失
研究人员开发了一个新的框架来评估视觉语言模型中的奖励评估，并将其与人类的快感缺失和动机缺陷进行比较。通过调整用于重度抑郁症的临床测试，他们识别并扰乱了这些AI模型中的奖励预期单元。研究发现，破坏这些单元会导致模型偏好低努力、低回报的选择，模仿快感缺失的症状，而不会损害其一般任务能力。这项工作揭示了AI中功能性的奖励评估回路，与人类观察到的回路非常相似。
-
城市环境加剧了积极出行对心理健康益处方面的不平等
一项利用因果机器学习对超过26万英国成年人进行的新研究表明，从步行和骑行等积极出行中获得的心理健康益处存在显著的不平等。这些差异不仅是个体化的，而且受到城市环境的强烈影响，在支持性较差的社区中，益处会随着时间的推移而减弱。研究表明，绿色、安全、污染较少的地区能带来最大的心理健康优势，而遗传因素在这些影响中的作用很小。研究结果表明，如果未考虑环境和个体差异，广泛推广积极出行可能会无意中加剧健康不平等。
-
新的机器学习方法利用昼夜节律进行抑郁症筛查
研究人员开发了一种新的机器学习方法，用于抑郁症筛查和干预，重点关注昼夜节律模式。他们引入了昼夜节律评分（CRS）来统一表示多领域日常行为，该评分被证明对抑郁症筛查有效。该框架利用梯度提升树和SHAP分析，揭示了昼夜节律与抑郁症风险之间存在非线性关联。在中国健康与养老追踪调查数据集上的实验显示，该方法具有稳健的筛查性能，ROC-AUC为0.825，并确定了运动和午睡的可操作阈值。
-
新的RSPC基准评估LLM在心理健康和关系动态方面的能力
研究人员开发了一个新的基准——关系压力与精神病语料库（RSPC），用于对数字中介关系中的压力和精神疾病进行建模。该语料库包含1,799个已注释的Reddit帖子，用于评估七个Transformer模型和五个大型语言模型在疾病分类和关系触发因素检测等任务上的表现。Claude 3 Haiku在疾病分类方面表现优异，而GPT-4o在识别关系触发因素方面表现出色，凸显了不同模型的独特能力。
-
Expresso-AI 提供可解释的视频AI用于抑郁症诊断
研究人员开发了Expresso-AI，一个用于解释基于面部视频训练的深度学习模型在抑郁症诊断中决策的新框架。该系统通过检查面部区域和时间表情语义，对深度卷积神经网络（DCNN）进行微调，并生成模型推理的可视化和量化解释。Expresso-AI框架不仅提高了AI在心理健康诊断中的可解释性，而且在预测性能上优于之前的基准。
-
研究发现：大型语言模型安全防护不足以应对心理健康问题
一篇新近发表在arXiv上的研究评估了大型语言模型（LLMs）在心理健康领域的安全性，结果显示其针对各种DSM-5疾病的防护措施存在显著不足。研究发现，虽然模型在处理自杀和自残问题时表现可靠，但在饮食失调、物质使用障碍和重度抑郁症等疾病方面，其失败率高达100%。研究者们呼吁明确界定伤害类别并制定相应的安全防护措施，以减轻对弱势群体带来的风险，尤其是在这些模型日益融入教育环境的背景下。
-
新AI模型预测女性性工作者心理健康风险
研究人员开发了一种新颖的混合机器学习模型，用于预测女性性工作者的心理健康风险，特别是抑郁症。该模型集成了使用ANOVA和互信息的集成特征选择策略，以及由Harris Hawks优化算法优化的逻辑回归模型。该系统还纳入了可解释AI（XAI）方法，以识别影响心理健康预测的因素。在对3,005名个体的数据集进行测试时，该模型取得了很高的性能指标，包括95.78%的准确率、95.77%的F1分数和0.96的AUC，突出了创伤后应激障碍、客户相…
-
AI疗法聊天机器人在临床试验中显示症状显著减轻
达特茅斯大学的研究人员开发了“Therabot”，这是一款用于心理健康支持的生成式AI聊天机器人，在其首次临床试验中显示出有希望的结果。该研究涉及210名重度抑郁症患者，他们在与该机器人互动4-8周后，抑郁症状显著减轻。虽然Therabot无意取代人类治疗师，但它在减轻抑郁、焦虑和身体意象担忧方面表现出有效性，并包含标记自杀念头和提供危机热线信息的功
-
AI模型通过语音模式诊断抑郁症
一个新的深度学习框架通过分析语音模式，在诊断重度抑郁症方面表现出高准确率。这种由AI驱动的方法利用语音生物标志物和一种自监督学习方法，据报道其表现优于传统的诊断技术。
-
新的fMRI分析框架提高了脑部疾病的检测能力
研究人员开发了一个名为MSFL的新框架，该框架结合了fMRI信号的幅度和相位信息，以提高脑部疾病的检测能力。这种多尺度融合学习方法利用滑动窗口相关性（SWC）进行幅度相关性分析，并利用相位同步性（PS）进行相位相干性分析。在自闭症谱系障碍和重度抑郁症数据集上进行测试时，MSFL与现有模型相比表现出优越的性能，分析表明SWC和PS特征都有助于准确分类。
-
新AI框架使用极少量数据检测抑郁症
研究人员开发了一个名为分数引导分类（SGC）的新框架，以应对使用脑电图（EEG）数据检测抑郁症的挑战，尤其是在样本量较小的情况下。与依赖生成合成数据的传统方法不同，SGC使用无监督生成网络来模拟异常分数，然后指导分类器。这种方法避免了数据增强带来的计算成本和潜在噪声，同时还纳入了一个跨通道空间适应模块来处理不同数据集之间的硬件差异。
-
AI Methods Compared for Interpreting EEG Models in Depression Detection
一篇新研究发布在arXiv上，探讨了多种事后可解释AI（XAI）方法，用于解释用于检测重度抑郁症（MDD）的黑盒脑电图（EEG）模型。研究人员将DeepSHAP、Integrated Gradients、GradCAM、Occlusion和Permutation Feature Importance等技术应用于InceptionTime架构。分析显示，归因模式部分重叠，特别是在右半球的特定EEG区域反复出现。虽然一些方法显示出一致性，…
-
新AI框架利用脑成像改善MDD诊断
研究人员开发了一个名为HWSTCL的新框架，用于利用静息态功能磁共振成像（rs-fMRI）诊断重度抑郁症（MDD）。该方法通过创建更稳健的大脑动态功能连接表示来改进现有技术。HWSTCL整合了空间和时间图学习，并包含一种新颖的核加权对比目标，以提高诊断准确性。
-
AI生成功能性磁共振成像时间序列以改善抑郁症诊断
研究人员开发了fMRI-Diffusion，一个新颖的框架，用于生成合成的功能性磁共振成像（fMRI）时间序列数据，以辅助重度抑郁症（MDD）的诊断。与以往合成功能连接矩阵的方法不同，fMRI-Diffusion合成了区域兴趣级别的时间序列，保留了关键的时间信息。这种方法利用扩散模型中的时间Transformer，在各种分类器和数据集上持续提高了诊断准确性，优于现有的合成方法。
-
AI研究致力于解决评估可复现性和心理健康诊断问题
近期arXiv上的两篇论文探讨了AI评估和应用中的关键挑战。一篇论文提出了一种多层次标注者建模方法，以提高AI评估的可复现性，解决了人类标注中存在的不同偏见问题。第二篇论文全面回顾了用于检测和诊断抑郁症的AI方法，重点介绍了数据模态、模型类别以及可解释性和公平性日益增长的重要性。