介绍了深度学习技术在自动抑郁症检测中的应用方法,包括音频和视频中的抑郁指标,最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景
May, 2021
通过主题建模的方法,我们提出了一种上下文感知分析录音的方法,用于预测变态抑郁症的水平,该方法在 AVEC 挑战赛中的所有指标上优于基线。
Mar, 2018
本文利用面部特征提取技术,通过多种视听方式设计自动检测方法,获取心理学标准 PHQ-8 测试结果,性能表现最佳的为面部特征提取,平均绝对误差为 4.66,语言特征稍高,为 5.17,而从音频记录中提取的 Turn Features 在测试集中表现最佳,平均绝对误差为 4.11,该体系结构在 AVEC 2017 抑郁症子挑战赛中成为优胜者。
Nov, 2017
本文介绍了一个新型的多级注意力网络用于多模式抑郁症预测,包括来自音频、视频和文本模式的特征融合,其在选择每种模式内最具影响力的特征进行决策时通过多级注意力加固了整体学习,实验中表现优于现有基线 17.52% 的均方根误差。
Sep, 2019
通过重分配数据和使用原始音频特征等 Fair Machine Learning 的方法,我们可以解决 Distress Analysis Interview Corpus - Wizard of Oz (DAIC-WOZ) 数据集中的性别偏见问题,从而解决数据偏见对抑郁症检测性能的影响。
Oct, 2020
通过语音信号图形转换和自然语言处理相结合,可以提高语音信号图形低级特征和文本低级特征分类和学习的融合,从而增强抑郁症等心理障碍的检测,特别是在疫情后期,随着语音启用设备,如智能手机的普及。
May, 2022
提出了一种基于多模态语音和文本表达的关注机制用于预测抑郁症,使用 DAIC-WOZ 数据集训练所提出的模型,分别在音频、文本和多模态情况下进行了实验,并取得了较好的预测效果。
Feb, 2022
通过使用预训练的情感识别模型进行特征提取来实现自动抑郁症检测,结合音频和文本的情感信息,提出了一种情感传递方法来增加训练的稳定性和检测性能,在进一步理解抑郁症与情感关系方面提供了线索。
Apr, 2022
本研究旨在探讨通过使用多模态融合模型,利用患者声音、视频、文本等特征预测临床评估中的抑郁症状,PHQ-8,该模型在训练 AVEC 2017 数据集时表现优于每个单一模态的预测模型,并超越数据集的基线水平。
本文介绍了一种基于机器学习的方法,在自动检测抑郁症状方面,使用 3D 面部表情和口语,取得了很好的效果,对于检测重度抑郁症,模型表现出 83.3%敏感性和 82.6%特异性。该技术结合语音识别、计算机视觉和自然语言处理,可用于帮助心理健康患者和从业人员在全球范围内普及低成本的心理健康护理。
Nov, 2018