Oct, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 种族与青少年抑郁症的预测：机器学习与深度学习跨种族群的应用

    该研究使用神经网络和机器学习模型对学生的抑郁症进行分类，并指出不同种族亚组的相关因素的差异，强调了更多广泛和多样化数据集的需求。

    Aug, 2023

  • 探索基于混合和集成模型的社交媒体多分类精神健康状态预测

    本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

    Dec, 2022

  • 分析不同被动采集数据对于预测压力和抑郁的贡献

    通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

    Oct, 2023

  • 基于手机传感器数据的抑郁症诊断和预测

    本文研究了利用移动电话数据进行抑郁症预测的方法，并提出了使用 LSTM 网络进行建模的解决方案，实验结果表明该预测任务的准确率与抑郁症诊断任务相当，精度可达 77.0％。

    May, 2022

  • FedMood: 移动健康数据情绪检测的联邦学习

    本论文提出了一种使用联邦学习和多视角数据的智能诊断框架以解决患者医疗隐私问题。

    Feb, 2021

  • 利用混合神经网络检测 Reddit 用户的抑郁症状

    本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

    Feb, 2023

  • 使用 Transformers 和集成方法在社交网络上检测抑郁症

    研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

    May, 2023

  • 从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

    使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

    Nov, 2023

  • 利用人工神经网络构建鲁棒的缺陷传感器数据预测模型

    本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

    Apr, 2018

  • 利用自监督学习识别穿戴设备记录的超级马里奥游戏、大学考试或体育锻炼的受试者的情绪急性发作

    通过个人感应、利用从患者的生态环境中持续收集的可穿戴设备数据被动地监测情绪障碍（MDs），这是一种有希望成为监测全球疾病负担主要决定因素的前景。本文通过自监督学习（SSL）利用无标签数据在预训练过程中学习表达，然后用于监督任务，克服了数据瓶颈，推进了从可穿戴设备数据中检测 MDs 急性发作与稳定状态的方法。

    Nov, 2023