ACLJun, 2023

DEPAC: 基于语言的抑郁症和焦虑症检测语料库

PDF
TL;DR本文介绍了一个新的语音数据集 DEPAC，用于基于手动筛选出的语音特征和人口统计信息，分析对焦于抑郁和焦虑的机器学习模型的影响，从而提高自动诊断系统的性能。
mental distressdepressionanxietyartificial intelligencespeech analysis
发现论文，激发创造
  • 自动抑郁症检测：情感音频文本语料库及 GRU/BiLSTM 模型

    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

  • 基于语音的临床抑郁症筛查：实证研究

    通过对不同交互场景中的语音信号进行研究，包括精神科面谈、聊天机器人对话和文字朗读，本研究探究了语音信号在基于人工智能的抑郁症筛查中的实用性。利用从每个参与者的分割录音中提取的声学和深度语音特征，使用神经网络或支持向量机进行分类，并通过聚合的音频片段结果确定最终评估。分析结果表明，语音在抑郁症筛查中是一个关键的标志物，人机交互的效果与临床面谈相匹配，甚至优于阅读任务。片段时长和数量对模型性能有显著影响，而深度语音特征在表现上明显优于传统声学特征。

    Jun, 2024

  • 音频、视觉和文本分析中的抑郁量表识别

    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

  • 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

  • 使用音频特征检测抑郁症时的性别偏差

    通过重分配数据和使用原始音频特征等 Fair Machine Learning 的方法，我们可以解决 Distress Analysis Interview Corpus - Wizard of Oz (DAIC-WOZ) 数据集中的性别偏见问题，从而解决数据偏见对抑郁症检测性能的影响。

    Oct, 2020

  • 基于视听线索的抑郁症识别深度学习：综述

    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

  • 融合基于文本和基于图形的特征用于从语音中检测心理健康疾病

    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

  • 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

  • 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

  • 评估机器学习分类算法和自然语言处理技术在抑郁症检测中的应用：实验案例研究

    此研究评估了使用机器学习和自然语言处理技术来检测抑郁症的方法，针对数据清理、模型选择等方面进行了案例研究，并在具体实验中使用 Distress Analysis Interview Corpus - Wizard-of-Oz（DAIC-WOZ）数据集构建出准确率约为 84% 的模型，明显高于现有文献中通过 SVM 模型得到的 72% 的准确率。

    Apr, 2024