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
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
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
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。
通过使用面部微表情(FMEs)来识别与检测潜在真实情绪,我们提出了一种基于面部特征点的感兴趣区域(ROI)方法,用于诊断掩盖性抑郁症,并描述了一种低成本和隐私保护的解决方案,使得在个人环境(如家中)能够使用便携式移动设备进行自诊断。我们展示了验证我们方法的结果和发现,并讨论了在将这些技术应用于真实临床环境中可能遇到的其他技术挑战和未来方向。
Jul, 2023
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
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
通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类,本文着眼于利用社交平台上的信息对抑郁症进行早期检测,同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统,并评估了用于相同领域的大型语料库的新单词嵌入
Apr, 2018
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