基於注意力機制之時間序列原型卷積神經網路與傳統及量子機器學習模型應用於重度憂鬱症腦波之經顱磁刺激抗憂鬱療效預測與分析

Abstract

重度憂鬱症現今被認為是一種慢性惡化的精神疾病，並且具有與其他症狀甚至是自殺意念併發的風險。有一定比例的重度憂鬱症患者在嘗試過數種抗憂鬱藥物的治療過後並無顯著好轉，而此類型的病患被發現其有一定機率能被經顱磁刺激所治療。目前經顱磁刺激較為常見的類型有重複性經顱磁刺激與間歇性θ脈衝式經顱磁刺激兩種，而是否能為患者於臨床治療前預測各參數對各自病人的抗憂鬱反應並提供個人化精準有效的診療參數建議在未來將會是一個重要的技術。本研究利用129位重度憂鬱症患者的臨床腦電波資料訓練數種傳統與量子機器學習演算法並建構全新的深度學習模型來對兩種模式的經顱磁刺激療效進行訓練與預測，尤其針對幾乎沒有前人研究的間歇性θ脈衝式經顱磁刺激進行療效預測，並在包含模型類型的選取、深度學習模型的損失函數等等地方盡最大努力下避免模型過擬合。在結果中，本研究所提出的新式注意力機制卷積時間序列深度學習模型在常見的深度學習模型中預測兩種經顱磁刺激療效的效果均為最好。傳統機器學習方法中則使用了集成模型中的套袋與助推兩類模型，本研究也提出了一個能夠優化模型敏感度的資料前處理演算法，其綜合效果也較前人的支持向量機效果好。最後本研究也在真實的超導量子電腦上訓練了量子機器學習模型，並由結果證明其效果比同種傳統演算法好上許多。