Mar, 2022

通过学习和融合视觉线索特征进行自动抑郁症检测

PDF
TL;DR该研究提出了一种基于学习和融合视觉提示功能的自动抑郁症检测方法，通过构建时间膨胀卷积网络和特征注意融合模块，实现从长序列中有效提取抑郁症特异信息以提高检测精度；在视觉特征为基础的抑郁症检测数据集上展现了最先进性能。
depressionautomatic depression detectionfeature-wise attentiontemporal dilated convolutional networkvisual cues
发现论文，激发创造
  • 基于视听线索的抑郁症识别深度学习：综述

    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

  • 音频、视觉和文本分析中的抑郁量表识别

    本文介绍了一种多模态特征提取和决策层融合方法用于通过机器学习算法自动检测抑郁症，并使用支持向量机和神经网络对特征进行分类，在音频特征和视频特征上比验证数据集提供的基线分别提高了 17％和 24.5％。

    Sep, 2017

  • 基于注意力机制的音频特征融合网络用于抑郁症检测

    利用提出的 Attention-Based Acoustic Feature Fusion Network (ABAFnet)，结合多种不同的声学特征，以及通过权重调整模块对特征进行合成，提高抑郁症的检测和亚型分类的性能。

    Aug, 2023

  • 气候和天气：通过情绪识别检测抑郁症

    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

  • 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

  • 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

  • 自动抑郁症检测：情感音频文本语料库及 GRU/BiLSTM 模型

    本论文提出了一种基于语音特征和语言内容的新型抑郁症检测方法，建立了一个包含抑郁和非抑郁志愿者的情感音频文本抑郁症语料库，该方法在两个抑郁症数据集上取得了最先进的性能，结果表明了该方法的有效性和泛化能力。

    Feb, 2022

  • 跨帧阅读：基于非语言线索的视频多模态抑郁检测

    通过多模态时间模型从用户生成的视频内容中提取非语言抑郁线索，实现了在三个关键基准数据集上的抑郁检测现有技术的巨大改进。

    Jan, 2024

  • 基于面部属性的抑郁症自动识别的神经网络结构搜索

    本研究使用神经架构搜索技术为基于多种面部属性的抑郁症识别设计最佳模型，并通过 AVEC2016 数据集的实验结果验证了该模型的可行性和准确性，为基于时间序列数据的心理健康分析提供了坚实的证据和强有力的基础。

    Jan, 2022

  • 基于主题建模的多模态抑郁症检测

    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