KDDJul, 2023

基于时间感知症状多任务学习的双相情感障碍自杀预防研究

PDF
TL;DR本研究提出了一种多任务学习模型来预测双相情感障碍患者未来是否会自杀，包括症状识别和未来自杀风险预测，同时建立了一种双相情感障碍数据集和时间症状感知关注机制来确定症状在预测未来自杀风险方面的影响力。实验证明，所提出的模型在症状识别和未来自杀风险预测任务中优于现有模型，提供了可解释的关注权重，帮助临床医生更全面地理解双相情感障碍患者并通过跟踪患者的精神状态进展来及时提供干预。
bipolar disordersuicide riskmulti-task learning modelfuture suicidality predictiontemporal symptom-aware attention mechanism
发现论文，激发创造
  • 基于社交媒体实时流数据的预测自杀意念的大数据分析系统

    通过使用大数据架构，本研究提出了一种基于在线社交媒体平台的实用分析方法，用于预测自杀意念。实验结果显示，采用 (Unigram + Bigram) + CV-IDF 特征提取方法和 MLP 分类器对自杀意念进行分类的性能较高，准确率为 93.47%。

    Mar, 2024

  • 通过社交媒体文本深度建模临床抑郁症

    本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

    Oct, 2022

  • MASON-NLP 参加 eRisk 2023：基于深度学习的社交媒体文本抑郁症状检测

    通过社交媒体和深度学习方法研究抑郁症症状语句的鉴别和相关性评估。

    Oct, 2023

  • 利用社交媒体文本进行心理健康的多任务学习

    通过深度学习多任务学习框架对多种病情进行建模，包括性别预测作为附加任务，实现对自杀风险和心理健康状况的低误诊率预测，且该多任务学习模型在狭窄训练数据的心理健康任务上也获得了显著的提升。

    Dec, 2017

  • 自杀行为的概念化：利用预测结果的解释分析纵向社交媒体数据

    通过分析社交媒体数据以及借助人工智能技术，本研究提出了一种用于初步筛选带有自杀意向的社交媒体帖子的方法，以预防自杀行为，并为自杀预防机构、专业人员和社区广泛认知项目提供宝贵的见解。

    Dec, 2023

  • 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

  • 从社交媒体帖子中预测自杀行为的学习模型

    提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

    Apr, 2021

  • 建立和使用个人知识图谱以提高社交媒体上自杀意向检测的精准性

    利用深度神经网络构建高级自杀意向知识图谱，并设计两层注意力机制，通过分析社交媒体上的帖子和个别特征因素，识别出自杀意向风险因素，达到 93% 以上的准确率。

    Dec, 2020

  • 基于社交媒体文本的抑郁症状建模：一种半监督学习方法

    使用半监督学习和大规模文本预训练语言模型，基于社交媒体语言数据，构建了最大的自述抑郁症状识别数据集，并训练出表现显著提高的抑郁症状检测模型。

    Sep, 2022

  • 利用语言特征进行双相情感障碍识别并考虑性别差异

    本研究利用基于语言的特征进行双相情感障碍识别，关注语法和词素搭配的特征，并考虑到性别这一重要的调节因素。结果显示性别差异的语言模式特征可以显著提高双相情感障碍识别的性能。

    Jul, 2019