Apr, 2022

通过利用临床问卷提高抑郁症检测的泛化能力

PDF
TL;DR本研究提出通过将模型约束在医生在抑郁筛选过程中使用的 PHQ9 表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于 PHQ9 的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。
mental healthdepression detectiondataset-transfer experimentsphq9 symptomsgeneralizability
发现论文，激发创造
  • 通过临床问卷学习实现简单灵活的精神障碍检测模型

    研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

    Jun, 2023

  • 半监督方法监测社交媒体中的临床抑郁症状

    通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

    Oct, 2017

  • 多模态情况下的抑郁症严重程度估计

    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

  • 从口语和 3D 面部表情测量抑郁症状严重程度

    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

  • 每日 PHQ-2 抑郁预测与预报的日记数据

    本研究探索利用主动收集的数据预测和预报自我评估病人健康问卷（PHQ）每日分数，得出使用主动收集数据的抑郁症监测应用的附加价值，并使用交叉验证得出最佳误差率为 1.417 和最佳预测误差率为 1.914

    May, 2022

  • 多元观点，分歧模型：跨文化评估 Twitter 上的抑郁检测

    评估跨文化 Twitter 数据对建立跨文化 AI 模型的泛化性，结果显示抑郁症检测模型在全球化方面表现较差，特别是在全球南方用户中，预训练语言模型在泛化性方面表现最佳，但在抑郁和非西方用户的表现仍存在差距。我们对发现进行量化，并提供了一些建议来缓解此问题。

    Apr, 2024

  • 利用 ChatGPT 生成的数据从社交媒体检索抑郁症状

    本研究使用 ChatGPT 生成合成数据，并使用语义搜索和余弦相似度来确定 Reddit 社交媒体句子对 BDI-II 症状的相关性，发现对于句子嵌入，使用专门用于语义搜索的模型胜过对精神健康数据进行预训练的模型。

    Jul, 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

  • 利用过程知识学习自动化生成跟进问题以在 Reddit 帖子上进行抑郁症分流

    研究表明深度语言模型辅助的对话代理在心理健康方面具有很大潜力，用于提供信息性和治疗性服务，在抑郁症方面的实验显示控制生成问题对于精神保健评估是合适的，创造一个名为 PRIMATE 的数据集，用以培训深度语言模型。

    May, 2022

  • 社交媒体帖子中检测抑郁症迹象的数据集创建及实证分析

    本研究通过对社交媒体发帖进行分析，开发了一个金标准数据集，将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别，并采用数据增强技术和机器学习算法，其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳，准确度和 F1 值均为 0.877 。

    Feb, 2022