通过面部微表情识别捕捉难以捉摸的抑郁症
通过分析大规模的面部表情数据集,本研究揭示了情绪障碍与面部表情之间的关系,发现了面部表情中微小的瞳孔动态和视线方向变化可能是情绪障碍的潜在标记,为基于数据的精神健康研究奠定了基础。
May, 2024
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
本文介绍了一种基于机器学习的方法,在自动检测抑郁症状方面,使用 3D 面部表情和口语,取得了很好的效果,对于检测重度抑郁症,模型表现出 83.3%敏感性和 82.6%特异性。该技术结合语音识别、计算机视觉和自然语言处理,可用于帮助心理健康患者和从业人员在全球范围内普及低成本的心理健康护理。
Nov, 2018
MoodCapture 通过智能手机前置相机自动捕捉的图像提出了一种新的评估抑郁症的方法,收集了 177 位被诊断为重度抑郁症的参与者 90 天内超过 125,000 张在日常生活中捕捉到的图像,并通过分析图像属性如角度、主导颜色、位置、物体和照明等,证明了使用面部标记的随机森林可以有效地分类样本为抑郁或非抑郁,并准确预测 PHQ-8 评分,在事后分析中提供了许多洞见,如消融研究、特征重要性分析和偏差评估,重要的是,我们评估了用户对使用 MoodCapture 检测抑郁症的担忧,为未来设计基于图像的在野外心理健康评估工具提供了重要的隐私问题洞察。
Feb, 2024
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
本文利用面部特征提取技术,通过多种视听方式设计自动检测方法,获取心理学标准 PHQ-8 测试结果,性能表现最佳的为面部特征提取,平均绝对误差为 4.66,语言特征稍高,为 5.17,而从音频记录中提取的 Turn Features 在测试集中表现最佳,平均绝对误差为 4.11,该体系结构在 AVEC 2017 抑郁症子挑战赛中成为优胜者。
Nov, 2017
本研究通过对社交媒体发帖进行分析,开发了一个金标准数据集,将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别,并采用数据增强技术和机器学习算法,其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳,准确度和 F1 值均为 0.877 。
Feb, 2022
通过研究学生在社交媒体上发布的图片和标题,使用深度学习进行功能工程模型从而检测大学生抑郁症状严重程度的研究表明,具有 BDI 得分大于或等于 20 的学生可以在最佳情况下通过融合模型达到 0.92 的召回率和 0.69 的精度,这表明了大规模抑郁症筛查的潜力,从而有助于发现处于风险的学生。
Dec, 2019