Identification of Adolescents With Major Depressive Disorder Using Random Forest Based on Nocturnal Heart Rate Variability
Notice bibliographique
Résumé
ABSTRACT Major depressive disorder (MDD) in adolescents is often underdiagnosed, with the current diagnosis predominantly relying on subjective assessment. Sleep disturbance and reduced heart rate variability (HRV) have been typically observed in adolescents with MDD. This study aimed to develop an automatic classification model based on nocturnal HRV features to identify adolescent MDD. Sixty‐three subjects, including depressed adolescents and healthy controls, participated in the study and completed a three‐night sleep electrocardiogram (ECG) monitoring, yielding 160 overnight RR interval time series and 7520 5‐min short‐term segments for analysis. Nineteen HRV features were extracted from the time domain, frequency domain, and nonlinear dynamics. The Bayesian‐optimized random forest (BO‐RF) algorithm was applied as the classifier, with performance evaluated using ten‐fold cross‐validation. The impact of data accumulation on the reliability of identification using short‐term data and the importance of features were also examined. The BO‐RF classifier based on long‐term features achieved a noteworthy predictive accuracy of 80.6%, and the performance of the classifier using short‐term data showed a significant improvement when more segment outcomes from the same night were included, ultimately achieving an accuracy of 75.0%. The Poincaré plot‐derived features, especially heart rate asymmetry (HRA) features such as C1 d , significantly contributed to distinguishing depressed adolescents from healthy subjects. Nocturnal HRV features can effectively differentiate adolescents with MDD from healthy controls. This study provides a promising diagnostic approach for adolescent MDD, with the potential to be integrated into wearable devices for broader application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».