Jul, 2023

通过头部运动模式解释性抑郁症检测

PDF
TL;DR通过采用两种不同方法和特征，从头部运动数据中发现和学习头运动单元（kinemes），利用机器学习方法对抑郁症进行分类并评估其准确性，结果表明头运动模式是用于检测抑郁症症状的有效生物标志物，能观察到与之前的研究一致的解释性的 kineme 模式。
depressionhead motionkinemesbiomarkersmachine learning
发现论文，激发创造
  • 创新的虚拟现实中的晕动检测：探索头部运动模式

    通过分析头部运动作为一种新的生理标记来检测 VR 引起的晕动症，该研究使用公开可获得的数据集对头部运动进行了广泛的特征提取，并借助机器学习算法预测晕动症的准确率达到 76% 和精确度达到 83%。

    Feb, 2024

  • 基于步态的抑郁风险识别的更高效方法

    通过建立大规模步态数据库和提出基于深度学习的抑郁风险识别模型，本研究验证了该方法的有效性，并提供了许多有启发性的见解，突显了基于步态的抑郁风险识别的巨大潜力。

    Oct, 2023

  • 跨帧阅读：基于非语言线索的视频多模态抑郁检测

    通过多模态时间模型从用户生成的视频内容中提取非语言抑郁线索，实现了在三个关键基准数据集上的抑郁检测现有技术的巨大改进。

    Jan, 2024

  • 气候和天气：通过情绪识别检测抑郁症

    通过使用预训练的情感识别模型进行特征提取来实现自动抑郁症检测，结合音频和文本的情感信息，提出了一种情感传递方法来增加训练的稳定性和检测性能，在进一步理解抑郁症与情感关系方面提供了线索。

    Apr, 2022

  • 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

  • 用于临床应用的基于骨架的运动编码模型的基准测试：估计步行序列中的帕金森病严重程度

    本研究通过对大规模人体动作数据集上进行训练的通用人体动作编码器在分析帕金森病患者步态模式方面的应用进行了调查。结果显示，这些模型在分析帕金森步态等病理性动作方面的有效性尚未得到充分验证。我们提出了一个比较框架，并通过评估六个预训练的最先进的人体动作编码器模型从运动捕捉数据中预测运动障碍学会统一帕金森病分级量表（MDS-UPDRS-III）的步态得分。与最近发布的一个大型公开帕金森病数据集中的基于特征的预测模型进行比较，基于特征的模型目前显示出更高的加权平均准确度、精确度、召回率和 F1 分数。性能相近的动作编码器模型展示了在临床环境中可扩展性和效率的潜力。在帕金森病训练集上进行微调后，编码器模型表现出更好的性能。在六个人体动作模型中，其中四个提供的预测分数在服药状态和不服药状态之间存在显著差异。这一发现揭示了运动编码器模型对微妙临床变化的敏感性。它还强调了继续定制这些模型以更好地捕捉疾病特异性特征的必要性，从而减少对劳动密集型特征工程的依赖。最后，我们在临床环境中建立了基于骨架的动作编码器模型分析的基准。据我们所知，这是第一个为使最先进模型能在临床环境中得到测试和竞争提供的基准研究。代码和基准研究排行榜可在代码处获取。

    May, 2024

  • 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

  • 人类运动学启发的基于骨架的视频异常检测

    在这篇论文中，我们介绍了一种名为 HKVAD（Human Kinematic-inspired Video Anomaly Detection）的新思路，通过显式利用人类运动特征来检测视频异常。我们还提出了一种利用骨架姿态的运动特征，并使用正态流模型来估计密度并检测异常的方法。在两个具有挑战性的公共数据集上进行实验证明了我们方法的有效性和潜力。

    Sep, 2023

  • 使用深度神经网络对动作捕捉序列进行分类和可视化

    本研究提出了一种基于深度神经网络的姿态识别系统，使用相对关节位置、时间差和规范化运动轨迹等简单但有效的特征对骨架数据进行特征提取，并采用深度自编码器对特征进行可视化，测试结果表明，该深度神经网络能够捕获到比主成分分析更具有区分性的信息，同时在 65 类、超过 2000 个动作序列的公共数据库上取得了 95% 以上的准确率，是目前这类大型数据集的最佳表现。

    Jun, 2013

  • 一种抑郁症分类的混合方法：基于运动活动信号的随机森林 - 人工神经网络集成

    通过使用可穿戴传感器和机器学习方法，研究提出了一种名为混合随机森林 - 神经网络的算法，用于评估抑郁症患者的传感器数据。该算法在包括难治性和双极性抑郁症患者以及健康对照组的特殊数据集上的准确率达到 80％，为精神健康诊断领域做出了重要贡献。

    Oct, 2023