基于深度学习语音分析的双相障碍患者情绪时相检测

目的利用基于语音的深度学习方法区分双相障碍患者抑郁和躁狂情绪时相。方法选取于2018年6月至2022年3月就诊于北京大学第六医院精神科门诊的双相障碍患者61例,使用抑郁症状快速筛查量表、心境障碍问卷和杨氏躁狂量表评估患者的情绪时相。收集所有患者的语音,缓解期、抑郁情绪和躁狂情绪各190条。使用Python中的语音分析库提取语音中的梅尔倒谱系数、过零率等136个特征,通过类LIGHT-SERNET网络训练模型检测情绪时相。采用准确度评估模型整体性能,使用敏感度、特异度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)、受试者工作特征(receiver operation characteristic,ROC)曲线评估模型对3种情绪时相的预测结果。不同情绪时相人口统计学信息比较采用Kruskal-Wallis H检验或χ^(2)检验。结果双相障碍3种情绪时相患者年龄(H=25.83,P<0.001)、受教育年限(H=25.25,P<0.001)和婚姻状况(χ^(2)=23.81,P<0.001)差异均有统计学意义,性别差异无统计学意义(χ^(2)=4.63,P=0.099)。类LIGHT-SERNET模型对3种情绪时相检测的准确度为0.84,其中对缓解期的敏感度为0.88,特异度为0.93,PPV为0.87,NPV为0.94;对抑郁情绪的敏感度为0.82,特异度为0.92,PPV为0.84,NPV为0.92;对躁狂情绪的敏感度为0.82,特异度为0.91,PPV为0.83,NPV为0.91。模型对3种语音情绪时相检测的ROC曲线面积值相近,均在0.90以上。结论通过类LIGHT-SERNET网络对语音进行深度学习分析建立的模型对双相障碍抑郁和躁狂情绪时相具有较好的区分度。