Neuropočítačové metody pro detekci depresivní poruchy

Abstract

Detekce velké depresitvní poruchy (MDD) těžila z pokročilých neuro-výpočetní metody a tradiční techniky strojového učení. Kromě toho nová technologické nástroje se snaží zmírnit utrpení pacientů. Obecně platí, že studie o míru detekce deprse je většknou příliš nízká na to, aby byla přenesena do klinických aplikacía a tehcniky týkající se psychologických terapií nebo pomoci silně spoléhají na konktrétní místa a časy. V této práci popisuji výsledky tří projektů, které se zabývají chal-. Díky tomu je míra detekce deprese stabilnější a s výšší mírou přesnosti a vytvoření dostuponého psychoterapeutického chatbota bez předběžného školení na obrovský jazyk datové sady, ale se silnějším výkonem. V druhé kapitole já a moji spoluautoři vyvinuli systém Brain-computer interface (BCI) pro zpracování elektroencefalogramu (EEG) siignály a vytváření dynamických funkčních mozkových sítí mezi depresí pacientů a zdravých. Mezitím dvě zbytkové neuronové mozkové sítě založené na vybrané EEG kanály a frekvence byly použity k detekci deprse ze zdraví a vyhodnit závažnost deprese pomocí skóre strukturálního klinickéh o rozhovoru pro poruchy osy I DSM-IV, vezre pro klinického lékaře (SCID-CV). Ve třetí kapitole navrhuji Fuzzy Window with the Gaussian processed labels (FW-GPL) metoda pro ordinální skórovácí úlohy. S využitím procesu okna má tento model výodu zpracování ordinálních dat, jako jsou lékařské snímky a EEG pacientů s různou intenzitou deprese. Ve čtvrté kapitole rozvíjí pokročilý výcvit resp. dolaďování metod založených na znalostech neurověd, které jsem se svými spoluautory studoval funkčí dynamiku mozku během pracoví paměti (WM). Metody budou sloužit jako praktický rámec pro budoucí úsílí řešit problémy při detekci deprese a pomoci při psychoterapii.

The detection of Major Depressive Disorder (MDD) has benefited from advanced neurocomputing methods and traditional machine learning techniques. In ddition, new technical tools have been trying to relieve patients’ suffering. In general, studies about the detecting rate of depression are mostly too low to be ransferred to clinical applications, and techniques about psychological therapies or ssistance are heavily relying on specific places and times. In this thesis, I describe the results of three projects that address challenges to making the depression detection rate more stable with a higher accuracy rate and making an available psychotherapy chatbot without pretraining on huge language datasets but with a stronger performance. In the second chapter, I and my co-authors developed a Brain-Computer Interface (BCI) system for processing electroencephalogram (EEG) signals and constructing the dynamic functional brain networks between depressive patients and healthy controls. Meanwhile, two residual neural etworks based on selected EEG channels and frequencies were used to detect depression from the health and to evaluate the depressive severity with the score of structured Clinical Interview for DSM-IV Axis I Disorders, Clinician Version (SCID-CV). In the third chapter, I and my co-authors proposed a novel Fuzzy Window with the Gaussian Processed Labels (FWGPL) method for ordinal scoring tasks. With the use of window process, this model has the advantage to process ordinal data, such as, medical images and EEGs of patients with different depressive severity. In the forth chapter, to develop advanced training or fine-tuning methods based on neuroscience knowledge, I and my co-authors studied the brain functional dynamics during Working Memory (WM), and we found maintenance, inhibition and disinhibition should work together to process the information in our brain. Depends on these findings in chapter three, we proposed a neuroscience-inspired architecture model, shunting inhibition in chapter four, and the results of this new architecture on fine-tuning downstream language tasks prove the effectiveness of gating Multilayer Perception (MLP)s and inhibition mechanisms. In the fifth project, I and my co-authors developed a psychotherapy chatbot fine-tuned on Large Language Model (LLM) processed AlexanderStreet therapy and counseling data, and it provided more professional and common used psychotherapy knowledge. Aside from contributing scientific conclusions about each system, these methods will also serve as a practical framework for future efforts to address challenges to depression detection and psychotherapy aid.