Apr, 2023

个性化状态焦虑检测：一项基于语言生物标志物和机器学习流水线的实证研究

PDF
TL;DR该研究利用数字生物标记和机器学习技术来检测社交情境中的情绪状态，并发现个性化方法可以更准确地检测情绪状态。研究结果表明，数字生物标记在无干扰的情况下可以识别出社交情境中的焦虑情绪，这将有助于有效评估社交问题和精神健康问题。
发现论文，激发创造
  • 从自由形式语音短剪辑中检测焦虑

    通过语音样本的机器学习方法，本研究旨在诊断患者焦虑症，展示多模态和音频嵌入方法在该任务中取得了良好的性能。

    Dec, 2023

  • 在 Twitter 上预防性检测抑郁症和焦虑症

    通过对推特数据集的处理和语言模型的使用，对抑郁症和焦虑症产生的词语进行研究，为医学专家提供更好的指导和治疗。

    Nov, 2020

  • 探究焦虑的生理特征的普适性

    使用机器学习技术检测焦虑和压力的效果已得到证明，本研究通过对心电图 (ECG) 和电脑皮肤反应 (EDA) 信号提取的特征进行统计回归分析以及跨数据集验证的方法，第一次对焦虑和高度兴奋情绪之间的关系进行了跨数据集评估，发现模型可能更多地识别情绪激发而非压力。

    Jan, 2024

  • 文本中的心理状态：情感分析的限制

    本文提出情感分析模型应该能预测人的其他心理状态，通过研究情感分析模型与情绪状态之间的关系并最终使用预训练模型来评估参与者的作品，得出情感分析模型能在预测分数方面表现良好，但是分数与人的自我检查情绪没有相关性。

    Jun, 2018

  • 使用部分标记的生理数据的半监督生成对抗网络进行压力检测

    本文研究了使用可穿戴传感器收集生理数据来探测情感状态的方法，指出了使用机器学习算法对已标记的生理数据进行情感状态检测的方法存在的问题，提出了使用半监督学习算法来减少标记成本的解决方案，并通过在公开数据集 WESAD 进行实验比较了半监督算法和全监督算法的性能，结果表明半监督算法是一种价格低廉且具有准确性的检测情感状态的有效方法。

    Jun, 2022

  • 可推广的机器学习用于来自可穿戴设备的压力监测：系统性文献综述

    综述当前利用可穿戴设备和机器学习技术监测与检测压力的研究，概括了公开的应力数据集、机器学习技术和未来研究方向。纵观文献，指出存在诸如标记方案、统计功效、压力生物标志物的有效性、广义能力等方面的问题。未来的研究会继续提供改进，随着新的、更丰富的数据集变得可用，现有的机器学习模型的泛化仍需要进一步研究。

    Sep, 2022

  • 将生理数据与大型语言模型集成用于共情的人工智能与人类交互

    通过将生理数据与大型语言模型（LLMs）相结合，探索增强共情的方法。我们提出了一种生理计算方法，包括开发利用生理数据识别心理状态的深度学习模型，并将预测的状态与 LLMs 集成以进行共情交互。我们展示了这种方法在一个基于共情 LLM 聊天机器人用于压力监测和控制的应用。我们还讨论了一项副研究的结果，评估该 EmLLM 聊天机器人准确预测用户压力、提供类人回应以及评估与用户的治疗联盟的能力。

    Apr, 2024

  • 情感模式个性化：促进神经精准健康干预的可行性研究

    研究论文探讨了针对自闭症谱系障碍儿童的数字化移动治疗中情绪识别和唤起的挑战，通过模型个性化训练来提高情绪识别模型在数字化健康疗法中的性能。

    Sep, 2023

  • 使用 fNIRs 和机器学习的情绪状态检测

    本研究旨在利用生理数据检测情感状态，通过功能近红外光谱法，并使用机器学习进行分类，结果显示针对冥想、娱乐和认知负荷三种情感状态的研究中，个体模型的平均准确率为 83.04%，群体模型的准确率为 84.39%，而个体无关模型的准确率为 60.57%。同时发现，通过纸笔任务可更准确地识别出认知负荷情感状态。

    Feb, 2024

  • 使用说话人嵌入作为声音压力检测的个性代理

    本研究提出了一种声音压力检测的方法，通过将说话人嵌入到混合 BYOL-S 特征中，解决了个体差异性的问题，对于不同类型的压力和语言，表现出了很好的性能。

    Jun, 2023