应用 Transformer 进行抑郁症筛查的动态图形表示学习
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
通过结合医学领域知识,我们设计了一种深度知识感知的网络框架(DKDD)以准确检测社交媒体用户是否患有抑郁症,并解释导致此类检测的关键因素。我们的实证研究表明,该方法优于现有最先进的方法,可以提供早期检测和解释关键因素,从而补充临床抑郁症筛查并评估人群的心理健康状况。
Mar, 2023
研究表明,利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章,实现抑郁症自动诊断,并能有效地提高分类器的性能。
May, 2023
本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症,其中通过抽取概括和提炼相关内容来解决现有模型的局限性,并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。
May, 2021
在 Twitter 上进行自动检测抑郁症能够帮助个人在寻求心理健康专业人员帮助之前,以私密和方便的方式了解自己的心理健康状况。本文提出了一种基于描述性模型的新型抑郁症检测模型,该模型结合了分层注意机制和前馈神经网络,在支持心理语言学研究的同时,其还识别了用户推文的特征和相关的隐喻概念映射。
Sep, 2022
通过分析社交媒体上用户的历史帖子,我们提出了一种名为 DORIS 的新型抑郁症检测系统,结合医学知识和大型语言模型的最新进展,在早期检测和干预上具有重要作用,并且该系统通过结合传统分类器和大型语言模型,融合医学知识引导的特征,实现了高准确性和可解释性的预测结果。
Mar, 2024
通过语音信号图形转换和自然语言处理相结合,可以提高语音信号图形低级特征和文本低级特征分类和学习的融合,从而增强抑郁症等心理障碍的检测,特别是在疫情后期,随着语音启用设备,如智能手机的普及。
May, 2022
使用社交媒体和预训练语言模型,探索如何利用用户生成的数据来预测心理障碍症状,并发现社交媒体数据是精神健康筛查的良好来源,预训练模型可以有效地自动化这一重要任务。
Jun, 2023