Aug, 2023

基于注意力机制的音频特征融合网络用于抑郁症检测

PDF
TL;DR利用提出的 Attention-Based Acoustic Feature Fusion Network (ABAFnet)，结合多种不同的声学特征，以及通过权重调整模块对特征进行合成，提高抑郁症的检测和亚型分类的性能。
depressionauditory datamachine learningacoustic featuresdepression detection
发现论文，激发创造
  • 基于次注意力融合的多模态抑郁症评估

    本研究使用子注意力机制和卷积双向 LSTM 作为基础，对多模式数据中的抑郁症进行自动识别，并在公共数据集上进行了广泛的实验，结果表明该模型在检测抑郁症方面表现出 0.89 的准确度和 0.70 的 F1 分数，在抑郁症严重性评估方面表现出 4.92 的平均绝对误差，并且相较于以往模型在融合多模态数据方面表现更优异，并且可通过端到端的学习方法减少预处理步骤。

    Jul, 2022

  • 利用文本、音频和视频的多级注意力网络进行抑郁症预测

    本文介绍了一个新型的多级注意力网络用于多模式抑郁症预测，包括来自音频、视频和文本模式的特征融合，其在选择每种模式内最具影响力的特征进行决策时通过多级注意力加固了整体学习，实验中表现优于现有基线 17.52% 的均方根误差。

    Sep, 2019

  • 从语音的声学特征预测个体的抑郁症状

    使用语音的声学特征，通过卷积神经网络和循环神经网络，预测出抑郁评分表中各个项的结果，并进一步检测出抑郁情况。

    Jun, 2024

  • 多模态特征工程和融合预测抑郁症严重程度

    本研究旨在探讨通过使用多模态融合模型，利用患者声音、视频、文本等特征预测临床评估中的抑郁症状，PHQ-8，该模型在训练 AVEC 2017 数据集时表现优于每个单一模态的预测模型，并超越数据集的基线水平。

    Nov, 2017

  • 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

  • 通过学习和融合视觉线索特征进行自动抑郁症检测

    该研究提出了一种基于学习和融合视觉提示功能的自动抑郁症检测方法，通过构建时间膨胀卷积网络和特征注意融合模块，实现从长序列中有效提取抑郁症特异信息以提高检测精度；在视觉特征为基础的抑郁症检测数据集上展现了最先进性能。

    Mar, 2022

  • 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

  • CANAMRF: 一种基于注意力机制的多模态抑郁检测模型

    我们提出了一种适应性多模态循环融合的跨模态注意力网络（CANAMRF），通过实验验证了其在多模态抑郁检测领域的卓越性能。

    Jan, 2024

  • 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