Nov, 2022

利用贝叶斯网络结合多模态数据和专家意见，稳健预测抑郁及其症状

PDF
TL;DR该研究使用贝叶斯网络的方法来预测抑郁症及其症状，包括从言语、面部表情和认知游戏数据中提取的特征，并生成可解释的模型预测，确定预测的不确定性，并自然地处理缺失数据。
major depressive disorderbehavioural signalscognitive signalsbayesian networksuncertainty
发现论文，激发创造
  • 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

  • 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

    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。

    Jul, 2020

  • 基于双向 LSTM 和时间分布的 CNN 的语调和语义特征预测抑郁症严重程度

    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。

    Feb, 2022

  • 朝着结果驱动的患者亚群：六项抑郁症治疗研究的机器学习分析

    通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

    Mar, 2023

  • 我们关心：多模态抑郁症检测与知识注入型心理健康治疗响应生成

    使用非语言线索检测抑郁症，引入虚拟助手与认知行为疗法基于的回应，取得了显著成果。

    Jun, 2024

  • COVID-19 严重性解释和人口特征症状分类的贝叶斯网络和机器学习

    利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

    Jun, 2024

  • 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

  • 利用神经网络和语言元数据对文本序列中的抑郁症状进行早期检测

    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

  • 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

  • 使用基于顶点的脑皮层特征的 DenseNet 和支持向量机对主要抑郁症的分类

    基于顶点特征和非线性分类器，将抑郁症患者和健康对照组区分开的研究表明，MDD 分类在这些特征和分类器的组合上是不可行的。

    Nov, 2023