茅榮杰　汪作為　杜亞松

數(shù)據(jù)挖掘技術在兒童精神醫(yī)學中的運用*

茅榮杰汪作為杜亞松

【摘要】當前各種資訊及數(shù)據(jù)信息呈爆炸式增長，如何從中挖掘出有用的知識成為亟待解決的問題，由此數(shù)據(jù)挖掘技術應運而生，并已開始用于兒童精神醫(yī)學。本文基于國內(nèi)外數(shù)據(jù)挖掘技術在兒童精神醫(yī)學中的發(fā)展狀況，簡要介紹了數(shù)據(jù)挖掘的概念、方法及各種挖掘方法的運用現(xiàn)狀，總結(jié)了數(shù)據(jù)挖掘技術在兒童精神醫(yī)學中運用的不足之處，并對今后的發(fā)展趨勢進行展望。

【關鍵詞】數(shù)據(jù)挖掘兒童精神醫(yī)學信息人工智能

隨著計算機技術和互聯(lián)網(wǎng)的發(fā)展普及，人們能夠輕而易舉地采集到各種資訊，這些資訊及其伴隨的數(shù)據(jù)信息呈爆炸式增長。兒童精神科醫(yī)師在工作中可以通過視頻、音頻、量表、病程記錄和日志等獲得多方面的數(shù)據(jù)信息，但是“我們被數(shù)據(jù)淹沒，卻缺乏知識”［1］。如何透過紛繁復雜的數(shù)據(jù)信息尋找其背后的規(guī)律，挖掘出有用的知識［2］，數(shù)據(jù)挖掘技術應運而生，并已開始用于兒童精神醫(yī)學(研究18周歲以下兒童青少年精神障礙的學科稱為兒童精神醫(yī)學)。本文就數(shù)據(jù)挖掘技術在兒童精神醫(yī)學中的運用展開綜述。

1　數(shù)據(jù)挖掘的概念和方法

1.1數(shù)據(jù)挖掘的概念數(shù)據(jù)挖掘(Data Mining，DM)又稱為數(shù)據(jù)庫中的知識發(fā)現(xiàn)(Knowledge Discover in Database，KDD)，是指運用計算機等人工智能方法挖掘數(shù)據(jù)庫中大量數(shù)據(jù)背后潛藏著的有價值的信息的過程［1］。通過數(shù)據(jù)挖掘，數(shù)據(jù)擁有者可以把握事物的發(fā)展規(guī)律并以此來指導實踐工作。數(shù)據(jù)挖掘技術是在統(tǒng)計分析、模式識別、機器學習及數(shù)據(jù)庫技術等基礎上發(fā)展起來的一門新興學科，可以與包括兒童精神醫(yī)學在內(nèi)的其他學科相結(jié)合，為其他學科的發(fā)展提供新的研究方法。

1.2數(shù)據(jù)挖掘的方法數(shù)據(jù)挖掘用來對數(shù)據(jù)進行描述和預測。常用的數(shù)據(jù)挖掘方法如下: (1)數(shù)據(jù)的匯總和表述:其目的是對數(shù)據(jù)進行濃縮，給出它的緊湊描述。比如計算頻數(shù)、均值、百分比、方差等數(shù)據(jù)，還可以運用統(tǒng)計表、直方圖等可視化技術以便更直觀地了解事物［3］。(2)聚類(Clustering) :是將一個集中的數(shù)據(jù)劃歸至不同組別。聚類所依據(jù)的規(guī)則是:同一類別內(nèi)的各種數(shù)據(jù)相似性較高，不同類別之間的數(shù)據(jù)相似性較低［4］。最常用的兩種聚類方法是劃分法(包括K均值法等)和系統(tǒng)分類法(又叫層次分類法)。(3)相關分析:常用來作相關分析(Correlation Analysis)的方法有:①關聯(lián)規(guī)則(Association Rules ) :關聯(lián)規(guī)則反映了事物之間的關聯(lián)性，最經(jīng)典的算法是Apriori算法［5］。②貝葉斯網(wǎng)絡(Bayesian Network) :利用貝葉斯公式對條件概率等指標進行計算，分析事物之間的相關性。③回歸分析(Regression Analysis) :回歸分析可以用來描述因變量與一個或多個自變量之間的關系，如線性回歸、Logistic回歸等。(4)分類(Classification) :是一種數(shù)據(jù)分析的過程，根據(jù)記錄各種屬性的值確定該記錄屬于哪一類［6］。對于待分類的數(shù)據(jù)能被分到哪幾類必須是預先確定的，這是與聚類不同的地方。常用的分類方法有決策樹分類器、貝葉斯分類器、人工神經(jīng)網(wǎng)絡、近鄰分類器(KNN)、支持向量機等。(5)回歸分析: (Regression Analysis) :數(shù)學模型確定后，通過自變量的值來預測應變量，如Logistic回歸、回歸樹、人工神經(jīng)網(wǎng)絡等［7］。(6)時間序列分析:現(xiàn)實世界中有大量的數(shù)據(jù)在時序上具有關聯(lián)性。時間序列分析(Time series Analysis)就是在數(shù)據(jù)庫中挖掘出在時間順序上出現(xiàn)頻率高的數(shù)據(jù)組合模式［8］。(7)異常值監(jiān)測或偏差分析:數(shù)據(jù)庫中存在一些明顯偏離常態(tài)的數(shù)據(jù)，而這些數(shù)據(jù)背后常常隱藏著某種信息。偏差分析(Outlier Detection)的基本思想就是尋找觀察結(jié)果與參照量之間有意義的差別，再從這些差別中挖掘出有用的信息［9］。

上述挖掘方法中，數(shù)據(jù)的匯總和表述、聚類、相關分析，通常用來對數(shù)據(jù)進行描述，屬于描述型的挖掘方法;而分類、回歸分析、時間序列分析、異常值監(jiān)測或偏差分析，用來對數(shù)據(jù)進行預測，屬于預測型的挖掘方法。實際上，描述和預測是相互聯(lián)系不可分割的兩個過程，描述是預測的基礎，而預測的準確性又反過來修正描述。就某些挖掘方法而言，既可用于描述也可用于預測，例如回歸分析，可以用于描述因變量如何隨自變量變化而變化;當回歸分析模型建立以后，它可以用于預測，即通過輸入自變量的確定值，對未知事物(因變量)進行預測。

2　數(shù)據(jù)挖掘在兒童精神醫(yī)學中的運用現(xiàn)狀

數(shù)據(jù)挖掘技術已經(jīng)在金融、電信、制造、能源等多個領域得到了較為深入的應用，但在醫(yī)學中的應用剛剛起步，而在兒童精神醫(yī)學中更是處于試探摸索階段。面對海量的醫(yī)學數(shù)據(jù)，數(shù)據(jù)挖掘技術已經(jīng)顯示出其重要的實用價值和經(jīng)濟價值［10］。目前數(shù)據(jù)挖掘技術在兒童精神醫(yī)學中的應用主要在以下幾方面:

2.1數(shù)據(jù)的匯總和表述數(shù)據(jù)的匯總和表述是對數(shù)據(jù)的初步挖掘，為進一步使用其他挖掘方法墊定基礎，因此已得到較為廣泛的運用。比如朱艷麗等［11］調(diào)查河南省某少年教養(yǎng)管理所在押的97名男性少年教養(yǎng)人員，了解其人格類型及其自尊、成就動機、應對方式等。國外Clarke AR等［12］分析了100個8～12歲患有注意缺陷多動障礙(ADHD)的女孩的腦電圖數(shù)據(jù)，了解其α波、β波、θ波、δ波等波形的分布、波幅、節(jié)律等; Thapar A等［13］跟蹤隨訪了7 387個青少年，定期做精神病樣體驗的自陳問卷調(diào)查，分析數(shù)據(jù)后發(fā)現(xiàn)1.7%的個體的精神病樣體驗隨年齡增長而減少，16.8%斷斷續(xù)續(xù)出現(xiàn)，而0.9%則會持續(xù)出現(xiàn)。

2.2聚類分析在兒童精神醫(yī)學中，聚類分析通常用于如下三個方面: (1)對某一種疾病的亞型探索:國外學者運用最多的是孤獨癥亞型探索，如Lane AE等［14］對54名孤獨癥兒童的感覺處理及適應方式作聚類分析，將孤獨癥患兒分為味覺敏感型、嗅覺敏感型和運動相關感覺敏感型三類; Hrdlicka M等［15］對64名孤獨癥患兒的MRI數(shù)據(jù)進行聚類分析，最后將其聚為四類。(2)用于兩類疾病異同比較: Goldstein G等［16］比較高功能孤獨癥與精神分裂癥的異同，先通過聚類分析法將精神分裂癥患者聚為四亞類，再將這四亞類與高功能孤獨癥數(shù)據(jù)聚類，發(fā)現(xiàn)精神分裂癥中的其中一個亞類可以與高功能孤獨癥聚為一類，兩者在認知上有較多相似之處; Cuccaro ML等［17］通過聚類分析方法探索孤獨癥譜系障礙與癲癇癥的聯(lián)系，發(fā)現(xiàn)兩者在言語和運動能力發(fā)育上有較多相似之處。(3)對疾病相關因素及癥狀的歸類:馮永亮等［18］對上海市669名大學女生非意愿性行為特征進行聚類分析，發(fā)現(xiàn)具有一定個人及行為特征的青少年容易遭受非意愿性行為的侵擾，應針對這些特征因素采取相應措施。Rizzo R等［19］回顧了100名Tourette綜合征(抽動穢語綜合征)患者長期臨床過程，通過因子分析和聚類分析發(fā)現(xiàn)，10年后有48%的患者除抽動穢語癥狀外，表現(xiàn)出強迫癥的癥狀。

2.3相關分析在傳統(tǒng)的統(tǒng)計分析中，用作相關分析的主要是回歸相關;而數(shù)據(jù)挖掘技術中的相關還包括關聯(lián)規(guī)則、貝葉斯網(wǎng)絡分析等。目前的運用舉例如下: (1)關聯(lián)規(guī)則: García EG等［20］用關聯(lián)規(guī)則分析了9 300名14～18歲青少年關于物質(zhì)使用的數(shù)據(jù)庫，得出與酒精、煙草、大麻、可卡因等使用最相關的因素，比如與酒精使用最相關的因素是父母的教育方式和同伴的使用(置信度為0.8 528)。Vianna RC等［21］通過關聯(lián)規(guī)則發(fā)現(xiàn)與嬰兒死亡最相關的因素是青少年懷孕生育。(2)回歸與相關:杜亞松領導的科研小組做過不少研究，如江文慶等［22］對網(wǎng)絡成癮者數(shù)據(jù)庫進行Logistic回歸分析，提示網(wǎng)絡成癮與應對方式中使用“問題解決”、“幻想”、“自責”以及在“對支持的利用”能力上獨立相關;劉文文等［23］用Logistic回歸分析探討影響孤獨癥患兒嚴重程度的相關因素發(fā)現(xiàn)具有女性、父母文化程度低、新生兒窒息、剖宮產(chǎn)、易怒敏感古怪的性格特征、淡漠型混亂型的依戀類型、發(fā)現(xiàn)癥狀到就診的間隔時間長等特征的孤獨癥患兒更有嚴重程度較重的傾向。國外也有不少類似的研究，如Yurdu爧en S等［24］通過分層回歸分析法發(fā)現(xiàn)學齡前兒童情緒和行為問題與母親的焦慮情緒、拒絕的態(tài)度和養(yǎng)育方式密切相關，而母親的焦慮情緒是最重要的影響因素。(3)貝葉斯網(wǎng)絡分析: Snoek HM等［25］運用貝葉斯理論分析青少年身高體質(zhì)量指數(shù)(BMI)變化軌跡與情緒、在外就餐和過分克制飲食的關系，發(fā)現(xiàn)越過分克制飲食BMI指數(shù)越高。Le TN等［26］通過貝葉斯網(wǎng)絡分析青少年犯罪行為與學校人口學因素和種族歧視的關系，發(fā)現(xiàn)學校學生種族越是多樣化和歧視，青少年犯罪率越高，但老師的種族多樣化與之沒有關系;除非裔美國人之外，女性老師比率越高，青少年犯罪率越低。

2.4分類分類是數(shù)據(jù)挖掘中的常用方法，決策樹算法、貝葉斯分類器、人工神經(jīng)網(wǎng)絡、支持向量機等多種分類算法均已在兒童精神醫(yī)學中得到運用。目前的分類方法運用于如下幾個方面: (1)用于疾病的診斷識別:國內(nèi)陳冰梅等［27］通過對全國1 125份病例資料的數(shù)據(jù)分析，將人工神經(jīng)網(wǎng)絡與專家系統(tǒng)相結(jié)合，編制了智能計算機診斷系統(tǒng)，經(jīng)測試發(fā)現(xiàn)其診斷結(jié)果與資深專家診斷符合率為99%。國外Wall DP等［28］將人工智能分類技術用于孤獨癥患兒的篩查; Perego P等［29］將支持向量機技術用于孤獨癥的早期診斷。(2)用于風險預測和嚴重程度評估: Pazzani M J等［30］用貝葉斯概率模型用于新生兒患智能發(fā)育遲滯的風險評估。Ang RP等［31］將預測型數(shù)據(jù)挖掘技術與傳統(tǒng)Logistic回歸分析相比較，用于青少年攻擊行為的預測，確證了決策樹、人工神經(jīng)網(wǎng)絡、支持向量機等分類技術的效果。Stahl D等［32］利用支持向量機技術分析了嬰兒事件相關電位數(shù)據(jù)庫(這些嬰兒后來被診斷患有孤獨癥)，建立了孤獨癥患病風險的預測模型。(3)決策支持:決策樹分類與成本效益分析相結(jié)合，能夠指導人們作出最優(yōu)策略，其運用有著較早的歷史，早在1995年Fletcher J等［33］將決策樹技術用于產(chǎn)前唐氏綜合征的篩查方式比較，用成本效益分析比較血清測定法與羊膜穿刺法的優(yōu)略。決策支持技術不斷地得到運用和發(fā)展，如Magyary D等［34］將決策樹技術用于注意缺陷多動障礙患兒的評估和管理，發(fā)現(xiàn)結(jié)果與幾個國家專業(yè)機構發(fā)布的多動癥指南相一致。Ebesutani C等［35］用決策支持系統(tǒng)發(fā)現(xiàn)預先用自評問卷調(diào)查可以減輕青少年心理治療的負擔。

2.5回歸分析數(shù)據(jù)挖掘技術中的回歸分析不僅包括Logistic回歸等經(jīng)典回歸分析法，還包括人工神經(jīng)網(wǎng)絡、回歸樹等不能用函數(shù)表達的復雜算法，具有廣闊的運用前景。(1)經(jīng)典回歸分析: López-Villalobos JA等［36］以200例注意缺陷多動障礙患兒相關數(shù)據(jù)為學習樣本，以年齡、匹配熟悉圖測驗(MFFT-20)分、兒童嵌圖測試分(CEFT)、Stroop測試分數(shù)為自變量，建立是否患有多動癥的Logistic回歸模型，經(jīng)測試后該模型預測的靈敏度為85%、特異度為85%(相對于DSM–Ⅳ診斷標準)。(2)人工神經(jīng)網(wǎng)絡: Nuovo AG等［37］嘗試建立測定智商的神經(jīng)網(wǎng)絡，其測試性能比韋氏智商量表更精確(置信區(qū)間5個單位)。(3)回歸樹算法:當決策樹輸出的是連續(xù)變量時稱之為回歸樹，而實際上單純運用回歸樹的研究并不多見，通常是將分類與回歸結(jié)合在一起，稱為分類回歸樹(Classification And Regression Tree，CART)。該算法已得到廣泛的運用。Mckenzie DP等［38］用短期心境和感受問卷(SMFQ)調(diào)查5 769名美國及加拿大青少年，用分類回歸樹法(CART)進行數(shù)據(jù)分析，結(jié)果發(fā)現(xiàn)自我憎恨和不被愛是增加抑郁水平的兩個重要預測因素，由此考慮制定相應措施。Brabant ME等［39］成功運用CART法預測受性虐待的少女的自殺風險。

2.6時間序列分析時間序列分析是當前人工智能和數(shù)據(jù)庫系統(tǒng)研究的熱點之一。但目前尚未發(fā)現(xiàn)有專門將時間系列分析用于兒童精神醫(yī)學的報道，但可以在相關的學科如腦電圖中見到一些零星研究。Ferri R等［40］曾有將時間系列模型用于分析新生兒腦電圖的報道。Kim SH等［41］報道，將時間系列分析與自回歸分析相結(jié)合后分析癲癇患者的腦電圖，預測的速度和準確率明顯高于以前的方法。

2.7異常值監(jiān)測和時間系列分析類似，僅在兒童精神醫(yī)學相關的領域見到報道。Mefford HC等［41］將異常值監(jiān)測技術用于研究人類基因組變異(CVNs)，發(fā)現(xiàn)1 105名不明原因智力殘疾的兒童(非孤獨癥)中有7名兒童染色體位點16p11.2缺失，而16p11.2缺失曾經(jīng)被認為與孤獨癥有關，且發(fā)現(xiàn)異常值監(jiān)測法相比其他方法更加經(jīng)濟實用。

3　運用展望

從以上綜述中我們看到數(shù)據(jù)挖掘技術已經(jīng)在兒童精神醫(yī)學中有一定的應用，但這種應用剛剛起步，今后必然會不斷地發(fā)展和完善。首先，數(shù)據(jù)挖掘需要面對的是海量數(shù)據(jù)，而上述數(shù)據(jù)挖掘技術在兒童精神心理疾病中的應用研究樣本量非常小，更多的是嘗試性運用，今后研究者必然會擴大樣本量，在大規(guī)模數(shù)據(jù)庫中驗證其應用價值和實際可操作性。其次，數(shù)據(jù)挖掘技術在具體運算之前還要經(jīng)歷漫長的數(shù)據(jù)預處理階段，包括數(shù)據(jù)清洗、數(shù)據(jù)格式轉(zhuǎn)換、變量整合、數(shù)據(jù)表連接等，使其應用遠沒有傳統(tǒng)統(tǒng)計學廣泛。隨著簡潔實用的數(shù)據(jù)挖掘軟件技術的發(fā)展，預計數(shù)據(jù)預處理會更加簡便，數(shù)據(jù)挖掘技術也更易得到推廣［43］。再次，目前在兒童精神醫(yī)學中所用的數(shù)據(jù)挖掘技術比較單一，可能僅挖出數(shù)據(jù)背后眾多規(guī)律的一小部分，這難免造成重要知識的遺漏和數(shù)據(jù)資源的浪費，因此今后各種挖掘方法必然趨向于整合，從而提高挖掘效率。最后，信息貴在新、快，即所謂的“實時性”。對于兒童精神心理疾病，越早發(fā)現(xiàn)和治療，預后越好。這就需要數(shù)據(jù)挖掘技術與自動化技術和視頻、音頻、圖像處理等技術結(jié)合起來，實時監(jiān)測，快速轉(zhuǎn)換、運算和分析，并及時給出危險警示和指導措施，充分發(fā)揮其實用價值［44］。

參考文獻

［1］Codreanu DE，Parpandel DE，Popa I.Extracting knowledge from data-data mining［J］.Challenges of the Knowledge Society，2013，1: 2020－2025

［2］Winship K.Data mining in children and family services: the Contra Costa County experience［J］.J Evid Soc Work，2012，9(1-2) : 19－26

［3］Alazemi AR.Data，text and web mining for business intelligence:A Survey［J］.International Journal of Data Mining＆Knowledge Management Process，2013，3(2) : 1－21

［4］Trebuňa P，Halˇcinová J.Mathematical tools of cluster analysis ［J］.Applied Mathematics，2013，4(5) : 814－816

［5］Anwar MA.Finding association rules through efficient knowledge management technique［J］.International Journal of Advanced Computer Sciences and Applications，2013，3(12) : 131－134

［6］Dash SR，Dehuri S.Comparative study of different classification techniques for post operative patient dataset［J］.International Journal of Innovative Research in Computer and Communication Engineering，2013，1(5) : 1101－1108

［7］龔著琳，陳瑛，章魯，等.生物醫(yī)學數(shù)據(jù)挖掘［M］.上海:上?？茖W技術出版社，2011: 25－44

［8］Momani NM.Time series analysis model for rainfall data in Jordan: case study for using time series analysis［J］.American Journal of Environmental Sciences，2013，5(5) : 599－604

［9］Chandore P，Chatur P.Outlier detection techniques over streaming data in data mining: A research perspective［J］.International Journal of Recent Technology and Engineering，2013，2(1) : 157－162

［10］Kaur H，Wasan SK.Empirical Study on Applications of Data Mining Techniques in Healthcare［J］.J Comput Sci，2006，2(2) : 194－200

［11］朱艷麗，趙山明.少年教養(yǎng)人員人格類型及其與自尊、成就動機、應對方式的調(diào)查［J］.中國組織工程研究與臨床康復，2007，11(17) : 3306－3309

［12］Clarke AR，Barry RJ，Mccarthy R，et al.EEG activity in girls with attention-deficit/hyperactivity disorder［J］.Clinical Neurophysiology，2003，114(2) : 319－328

［13］Thapar A，Heron J，Jones RB，et al.Trajectories of change in self-reported psychotic-like experiences in childhood and adolescence［J］.Schizophrenia Research，2012，140(1－3) : 104－109

［14］Lane AE，Young RL，Baker AZ，et al.Sensory processing subtypes in autism: association with adaptive behavior ［J］.J Autism Dev Disord，2010，40(1) : 112－122

［15］Hrdlicka M，Dudova I，Beranova I，et al.Subtypes of autism by cluster analysis based on structural mri data［J］.Eur Child Adolesc Psychiatry，2005，14(3) : 138－144

［16］Goldstein G，Minshew NJ，Allen DN，et al.High-functioning autism and schizophrenia: a comparison of an early and late onset neurodevelopmental disorder［J］.Arch Clin Neuropsychol，2002，17(5) : 461－475

［17］Cuccaro ML，Tuchman RF，Hamilton KL，et al.Exploring the relationship between autism spectrum disorder and epilepsy using latent class cluster analysis［J］.J Autism Dev Disord，2011，42(8) : 1630－1641

［18］馮永亮，牛紅峰，左霞云，等.上海市大學生非意愿性行為的聚類特征分析［J］.中國衛(wèi)生統(tǒng)計，2011，28(1) : 33 －36

［19］Rizzo R，Gulisano M，Calì PV，et al.Long term clinical course of Tourette syndrome［J］.Brain Dev，2012，34(8) : 667－673

［20］García EG，Blasco BC，López RJ，et al.Study of the factors associated with substance use in adolescence using Association Rules［J］.Adicciones，2010，22(4) : 293－299

［21］Vianna RC，Moro CM，Moysés SJ，et al.Data mining and characteristics of infant mortality［J］.Cad Saude Publica，2010，26(3) : 535－542

［22］江文慶，杜亞松，辛秦，等.上海市網(wǎng)絡成癮中學生的應對方式與社會支持［J］.上海精神醫(yī)學，2011，23(2) : 87－91

［23］劉文文，楊曹驊，張林娜，等.父母親對孤獨癥癥狀的認識及嚴重程度影響因素的研究［J］.中國兒童保健雜志，2013，21(6) : 575－577

［24］Yurdusen S，Erol N，Genz T.The effects of parental attitudes and mothers' psychological well-being on the emotional and behavioral problems of their preschool children［J］.Matern Child Health J，2013，17(1) : 68－75

［25］Snoek HM，Engels R，van Strien T，et al.Emotional，external and restrained eating behaviour and BMI trajectories in adolescence［J］.Appetite，2013，(67) : 81 －87

［26］Le TN，Stockdale G.The influence of school demographic factors and perceived student discrimination on delinquency trajectory in adolescence［J］.J Adoles Health，2011，49 (4) : 407－413

［27］陳冰梅，樊曉平，周志明，等.基于人工神經(jīng)網(wǎng)絡與人工智能的計算機系統(tǒng)在兒童心理障礙診斷領域的應用［J］.中國組織工程研究與臨床康復，2011，15(13) : 2467－2470

［28］Wall DP，Dally R，Luyster R，et al.Use of artificial intelligence to shorten the behavioral diagnosis of autism ［J］.PloS One，2012，7(8) : e43855

［29］Perego P，F(xiàn)orti S，Crippa A，et al.Reach and throw movement analysis with support vector machines in early diagnosis of autism［J］.Conf Proc IEEE Eng Med Biol Soc，2009: 2555－2558

［30］Pazzani MJ，Mani S，Shankle WR.Acceptance of rules generated by machine learning among medical experts［J］.Methods of Inf Med，2001，40(5) : 380－385

［31］Ang RP，Goh DH.Predicting juvenile offending: a comparison of data mining methods［J］.Int J Offender Ther Com Criminol，2013，57(2) : 191－207

［32］Stahl D，Pickles A，Elsabbagh M，et al.Novel machine learning methods for ERP analysis: a validation from research on infants at risk for autism［J］.Developmental Neuropsychology，2012，37(3) : 274－298

［33］Fletcher J，Hicks NR，Kay JD，et al.Using decision analysis to compare policies for antenatal screening for Down’s syndrome［J］.BMJ，1995，311(7001) : 351－356

［34］Magyary D，Brandt P.A decision tree and clinical paths for the assessment and management of children with ADHD ［J］.Issues Ment Health Nurs，2002，23(6) : 553－566

［35］Ebesutani C，Bernstein A，Chorpita BF，et al.A transportable assessment protocol for prescribing youth psychosocial treatments in real-world settings: reducing assessment burden via self-report scales［J］.Psychological Assessment，2012，24(1) : 141－155

［36］López-Villalobos JA，Serrano-Pintado I，Sánchez-Mateos JD，et al.Utility of a statistical model of cognitive styles in attention deficit hyperactivity disorder［J］.Psicothema，2011，23(4) : 818－823

［37］Di Nuovo AG，Di Nuovo S，Buono S.Intelligent quotient estimation of mental retarded people fromdifferent psychometric instruments using artificial neural networks ［J］.Artif Intell Med，2012，54(2) : 135－145

［38］Mckenzie DP，Toumbourou JW，F(xiàn)orbes AB，et al.Predicting future depression in adolescents using the Short Mood and Feelings Questionnaire: a two-nation study［J］.Journal Affect Disord，2011，134(1－3) : 151－159

［39］Brabant ME，Hébert M，Chagnon F.Identification of sexually abused female adolescents at risk for suicidal ideations: a classification and regression tree analysis［J］.J Child Sex Abus，2013，22(2) : 153－172

［40］Ferri R，Chiaramonti RM，Musumeci SA，et al.Nonlinear EEG analysis during sleep in premature and full-term newborns［J］.Clinical Neurophysiology，2003，114 (7) : 1176－1180.

［41］Kim SH，F(xiàn)aloutsos C，Yang HJ.Coercively adjusted auto regression model for forecasting in epilepsy EEG［J］.Comput Math Methods Med，2013，545－613

［42］Mefford HC，Cooper G.A method for rapid，targeted CNV genotypingidentifies rarevariants associatedwith neurocognitive disease［J］.Genome Res，2009，19(9) : 1579－1585

［43］Raju SH，Latha TS.An Unique Data mining Task for Sorting: Data Preprocessing for efficient External Sorting ［J］.International Journal of Advanced Research in Computer Engineering＆Technology (IJARCET)，2013，1(9) : 69－76

［44］Güiza F，Van Eyck J，Meyfroidt G.Predictive data mining on monitoring data from the intensive care unit［J］.J Clin Monit Comput，2013，27(4) : 449－453

(收稿日期:2014－07－08)

通訊作者:杜亞松，E-mail: yasongdu@163.com

*基金項目:國家重點基礎研究發(fā)展計劃項目(編號: 2010CB529602) ;上海市科學技術委員會科研計劃項目(編號: 11411952401)

doi:10.3969/j.issn.2095－9346.2015.01.026

【中圖分類號】R749.94

【文獻標識碼】A

【文章編號】2095－9346(2015)－01－0077－04

作者單位:200030，上海交通大學醫(yī)學院附屬精神衛(wèi)生中心