Feb, 2022

LEAPMood：基于遗传算法驱动超参数调整的轻量高效架构，用于情绪预测

PDF
TL;DR本文提出了一种基于 LEAPMood 的自然语言文本情绪预测方法，该方法使用字符嵌入、音素哈希和注意力等技术，结合基于遗传算法的超参数调整方法，实现了情绪识别和情绪预测，并在 DailyDialog 数据集上取得了精确度为 62.05%、内存大小为 1.67MB 的 Emotion Recognition in Conversion (ERC) 模型，和 Macro F1-score 为 72.12% 的 mood prediction 效果。
mood predictiontextual dataon-device deep learning approachemotion recognition in conversion (erc)ga-based hyperparameter tuning
发现论文，激发创造
  • 利用本地和周期性打字动态进行个性化情绪预测

    本研究使用手机元数据和加速度计值来预测双相障碍者情绪紊乱的存在和严重程度，结果表明使用智能手机元数据来预测情绪紊乱的可能性和严重程度是可行而有效的，并展示了个性化医疗治疗情绪紊乱的潜力。

    Aug, 2018

  • 情绪变化预测和情绪推断的弱监督方法改进

    本研究旨在探究情绪与情感的相互作用对情绪计算的影响，通过利用经过度量学习的变化情绪标签预测视频片段的情绪变化，并比较单一情绪标签与整体标签的模型预测效果，结果表明通过整合情感变化信息进行训练，情绪预测模型能够实现更好的效果。

    Jun, 2023

  • AI 驅動的持續情緒監測器：主動式情緒跟蹤

    本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本，实现了令人印象深刻的 93% 测试准确率。同时，该项目旨在结合可穿戴设备（如智能手表和脑电传感器）的生理信号，提供情绪障碍和情绪状态的长期跟踪和预后，这种综合方法有望提高抑郁症的早期检测并促进整体心理健康结果。

    Jan, 2024

  • DeepMood：用于情感检测的手机打字动态建模

    通过一项与双相情感障碍的移动电话使用可能存在的关联探究，提出了 DeepMood 这一基于后期融合的端到端深度架构，可以通过对手机键入动态的会话级分析，来预测情绪分数，精度可达 90.31%，这表明使用移动电话元数据来推断情绪扰乱和严重程度的可行性。

    Mar, 2018

  • 从移动数据中学习语言和多模态隐私保护的情绪标记

    通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

    Jun, 2021

  • 机器学习算法在抑郁症检测中的应用及比较

    通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

    Jan, 2023

  • 利用社交图网络进行情感预测

    通过手机感应数据和社交网络构建及机器学习算法综合分析多个用户和时序特征，利用社交网络对情感进行预测。

    Jul, 2022

  • 整合可穿戴传感器数据和自报日记以进行个性化情绪预测

    本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

    Mar, 2024

  • 从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

    使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

    Nov, 2023

  • 重塑情绪识别建模：广义大模型的出现

    综合研究了大语言模型在情感识别中的性能，包括上下文学习、少样本学习、准确性、泛化能力和解释性，并提供了一些见解和潜在挑战，以促进情感识别在新的先进和广义大模型时代的发展。

    Aug, 2023