利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测

Jul, 2020

利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测

Explainable Depression Detection with Multi-Modalities Using a Hybrid Deep Learning Model on Social Media

Hamad Zogan, Imran Razzak, Xianzhi Wang, Shoaib Jameel, Guandong Xu

TL;DR本文介绍了解决模型预测不透明性的方法，提出了一种利用多模态特征和分层注意力网络的模型，可以检测社交媒体上的抑郁症患者并解释模型预测，该模型在检测具有挑战性的公共社交媒体数据集上取得了显著优势。

Abstract

model interpretability has become important to engenders appropriate user trust by providing the insight into the model prediction. However, most of the existing machine learning methods provide no interpretability for depression prediction, hence their predictions are obscure to human

model interpretability depression prediction multi-modal depression detection hierarchical attention network social media

发现论文，激发创造

基于隐喻概念映射的分层注意力网络用于可解释的推特抑郁症检测

在 Twitter 上进行自动检测抑郁症能够帮助个人在寻求心理健康专业人员帮助之前，以私密和方便的方式了解自己的心理健康状况。本文提出了一种基于描述性模型的新型抑郁症检测模型，该模型结合了分层注意机制和前馈神经网络，在支持心理语言学研究的同时，其还识别了用户推文的特征和相关的隐喻概念映射。

Sep, 2022

时间丰富的多模态转换器检测抑郁症

本文提出了一种基于预训练模型，使用图像和文本嵌入的弹性时间丰富多模态变压器模型，用于从社交媒体消息中检测抑郁症，结果表明该方法超越了其他方法，达到了 0.931 F1 值，是目前最先进的方法。

Jan, 2023

利用文本、音频和视频的多级注意力网络进行抑郁症预测

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

基于社交媒体的深度学习方法在精神健康预测中的应用

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020

基于次注意力融合的多模态抑郁症评估

本研究使用子注意力机制和卷积双向 LSTM 作为基础，对多模式数据中的抑郁症进行自动识别，并在公共数据集上进行了广泛的实验，结果表明该模型在检测抑郁症方面表现出 0.89 的准确度和 0.70 的 F1 分数，在抑郁症严重性评估方面表现出 4.92 的平均绝对误差，并且相较于以往模型在融合多模态数据方面表现更优异，并且可通过端到端的学习方法减少预处理步骤。

Jul, 2022

探索基于混合和集成模型的社交媒体多分类精神健康状态预测

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022

利用社交媒体数字痕迹进行抑郁症检测：一种知识感知深度学习方法

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 2023

可解释性与可解释性在社交媒体抑郁检测中的应用

使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

Oct, 2023

通过社交媒体文本深度建模临床抑郁症

本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

Oct, 2022

分层注意解释：一种可解释的双模态抑郁症检测语音级转换器

提出了一种使用双模式语音级转换器的自动抑郁症检测工具，以避免分段级别标注的噪声并引入分层解释方法，从而在语音级别和句子级别提供模型解释，其性能优于学习在分段级别的模型，并提供了有关抑郁症检测的相关句子、文本标记和 Mel 频谱图区域的解释，以验证抑郁症检测工具的预测有效性，推动其临床实施。

Sep, 2023