【技术实现步骤摘要】
本专利技术涉及抑郁症诊断，具体为基于干燥血近红外光谱建立抑郁症诊断模型的方法。
技术介绍
1、抑郁症，是一种以显著而持久的心境低落为主要临床特征的心境障碍。这种心境低落与其处境不相称，表现为从闷闷不乐到悲痛欲绝，甚至悲观厌世，严重时可出现幻觉、妄想等精神病性症状。抑郁症异质性高、发病机制复杂，目前其诊断和治疗主要基于临床症状表象，存在主观性和经验性，亟需发展基于客观生物标记物的早期预警和精准诊疗方法。
2、近红外光谱是一种重要的光谱分析技术，其波长范围介于可见光(vi s)与中红外光谱(mir)之间，通常定义为780nm至2500nm。这一光谱区域主要反映含氢键和有机分子振动的倍频和合频振动，其光谱特征与有机分子的种类和含量高度相关,因此特别适用于有机化合物和生物分子的分析。
3、通过获取抑郁症患者血样近红外光谱特征，结合机器学习算法，建立近红外光谱特征快速识别模型，有望实现抑郁症患者近红外光谱谱图结果的快速识别。
技术实现思路
1、本专利技术提供的专利技术目的在于提供基于干燥血近红外光谱建立抑郁症诊断模型的方法。通过本专利技术基于干燥血近红外光谱建立抑郁症诊断模型的方法，无需样品前处理，仅通过微量血即可完成谱图识别结果，操作简单、快捷。采集的干燥血近红外光谱，与直接采集的液态血的近红外光谱相比，没有水峰的强干扰，显示出更多更强的特征信号。筛选出的重要特征建模，大大降低了近红外光谱特征维度，增加了计算速率和模型准确度。
2、为了实现上述效果，本专
3、s1、采集并保存若干临床抑郁症病人和健康对照的少量血样本；
4、s2、将步骤s1所得血样本滴加到透明石英玻片上制得干燥血样本，采集干燥血近红外光谱形成光谱集；
5、s3、将步骤s2得到的近红外光谱集按照一定的方法对光谱数据进行预处理，并通过机器学习算法建立多个基础模型；
6、s4、对步骤s3所建立的多个基础模型分别进行shap分析，筛选并合并重要特征后，通过步骤s3所使用的机器学习算法建立模型，并将这些模型与基础模型对比，选出最优模型作为最终的谱图识别模型；
7、s5、采集待诊断临床病人干燥血的近红外光谱，并将其代入步骤s4建立的谱图识别模型，以获得谱图快速识别结果。
8、进一步的，包括以下步骤：根据s1中的操作步骤，所述少量血样本体积为5-10微升，保存温度为-80℃，常温解冻后在24小时内完成测试。
9、进一步的，包括以下步骤：根据s2中的操作步骤，所述透明石英玻片需要进行平整度和洁净度检查再使用。
10、进一步的，包括以下步骤：根据s2中的操作步骤，所述近红外光谱集是通过经校准和验证的近红外光谱仪进行光谱采集，以确保数据的准确性。
11、进一步的，包括以下步骤：根据s2中的操作步骤，所述步骤s2采集近红外光谱的具体方法为：
12、s201、将血样滴加到透明石英玻片上经30分钟自然晾干后；
13、s202、再次滴加血到晾干的血之上经30分钟自然晾干；
14、s203、重叠滴加1-3次后，在透射模式下采集近红外光谱。
15、进一步的，包括以下步骤：根据s2中的操作步骤，所述近红外光谱的采集范围为4000-12000cm-1，分辨率范围1-16cm-1，扫描次数范围为2-64次。
16、进一步的，包括以下步骤：根据s3中的操作步骤，所述近红外光谱集对光谱数据进行预处理方法包括sg平滑(savitzky-golay，sg)、小波变换(wavelet transform，wt)、移动窗口平均(moving window average，mwa)、标准正态变量变换(standard normal variatetransformation，snv)、多元散射校正(multiple scattering correction，msc)、归一化(normalization，norm)、均值中心化(mean centering，mc)、标准化(standardization，s)、一阶求导、二阶求导中的至少一种。
17、进一步的，包括以下步骤：根据s3中的操作步骤，所述多种机器学习算法包括主成分-线性判别分析(principal component analysis-linear dscriminant analysis，pca-lda)、主成分-二次判别分析(principal component analysis-quadratic discriminantanalysis，pca-qda)、偏最小二乘判别分析(partial least squares discriminantanalysis，plsda)、k最近邻(k-nearest neighbor，knn)分类、逻辑回归(logisticregression)模型、支持向量机(support vector machine，svm)、随机森林(randomforests，rf)、极限梯度提升树(extreme gradient boosting，xgboost)、多层感知机(multilayer perceptron，mlp)中的一个或多个。
18、进一步的，包括以下步骤：根据s4中的操作步骤，所述筛选重要特征的方法是将特征波长根据shap绝对值均值大小排序后，取前总特征值数量的0.5％-60％。
19、进一步的，包括以下步骤：根据s5中的操作步骤，所述谱图识别模型的性能评价参数包括准确率(accuracy)、受试者工作特征曲线下面积(area under curve，auc)、灵敏度(sensitivity)和特异性(specificity)。
20、本专利技术提供了基于干燥血近红外光谱建立抑郁症诊断模型的方法，具备以下有益效果：
21、(1)本专利技术无需样品前处理，仅通过微量血即可完成谱图识别结果，操作简单、快捷。
22、(2)本专利技术采集的干燥血近红外光谱，与直接采集的液态血的近红外光谱相比，没有水峰的强干扰，显示出更多更强的特征信号。
23、(3)本专利技术使用筛选出的重要特征建模，大大降低了近红外光谱特征维度，增加了计算速率和模型准确度。
本文档来自技高网...【技术保护点】
1.基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S1中的操作步骤，所述少量血样本体积为5-10微升，保存温度为-80℃，常温解冻后在24小时内完成测试。
3.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，所述透明石英玻片需要进行平整度和洁净度检查再使用。
4.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，所述近红外光谱集是通过经校准和验证的近红外光谱仪进行光谱采集，以确保数据的准确性。
5.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，所述采集近红外光谱的具体方法为：
6.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S2中的操作步骤，所述近红
7.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S3中的操作步骤，所述近红外光谱集对光谱数据进行预处理方法包括SG平滑、小波变换、移动窗口平均、标准正态变量变换、多元散射校正、归一化、均值中心化、标准化、一阶求导、二阶求导中的至少一种。
8.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S3中的操作步骤，所述多种机器学习算法包括主成分-线性判别分析、主成分-二次判别分析、偏最小二乘判别分析、K最近邻分类、逻辑回归模型、支持向量机、随机森林、极限梯度提升树、多层感知机中的一个或多个。
9.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S4中的操作步骤，所述筛选重要特征的方法是将特征波长根据SHAP绝对值均值大小排序后，取前总特征值数量的0.5％-60％。
10.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据S5中的操作步骤，所述谱图识别模型的性能评价参数包括准确率、受试者工作特征曲线下面积、灵敏度和特异性。
...【技术特征摘要】
1.基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据s1中的操作步骤，所述少量血样本体积为5-10微升，保存温度为-80℃，常温解冻后在24小时内完成测试。
3.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据s2中的操作步骤，所述透明石英玻片需要进行平整度和洁净度检查再使用。
4.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据s2中的操作步骤，所述近红外光谱集是通过经校准和验证的近红外光谱仪进行光谱采集，以确保数据的准确性。
5.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据s2中的操作步骤，所述采集近红外光谱的具体方法为：
6.根据权利要求1所述的基于干燥血近红外光谱建立抑郁症诊断模型的方法，其特征在于，包括以下步骤：根据s2中的操作步骤，所述近红外光谱的采集范围为4000-12000cm-1，分辨率范围1-16cm-1，扫描次数范围...
【专利技术属性】
技术研发人员：王刚，刘明霞，杨健，孙作厘，贺毅，
申请(专利权)人：首都医科大学附属北京安定医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。