从自由形式语音短剪辑中检测焦虑
该研究利用数字生物标记和机器学习技术来检测社交情境中的情绪状态,并发现个性化方法可以更准确地检测情绪状态。研究结果表明,数字生物标记在无干扰的情况下可以识别出社交情境中的焦虑情绪,这将有助于有效评估社交问题和精神健康问题。
Apr, 2023
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
通过对不同交互场景中的语音信号进行研究,包括精神科面谈、聊天机器人对话和文字朗读,本研究探究了语音信号在基于人工智能的抑郁症筛查中的实用性。利用从每个参与者的分割录音中提取的声学和深度语音特征,使用神经网络或支持向量机进行分类,并通过聚合的音频片段结果确定最终评估。分析结果表明,语音在抑郁症筛查中是一个关键的标志物,人机交互的效果与临床面谈相匹配,甚至优于阅读任务。片段时长和数量对模型性能有显著影响,而深度语音特征在表现上明显优于传统声学特征。
Jun, 2024
本文介绍了一个新的语音数据集 DEPAC,用于基于手动筛选出的语音特征和人口统计信息,分析对焦于抑郁和焦虑的机器学习模型的影响,从而提高自动诊断系统的性能。
Jun, 2023
本研究比较了基于语音和文本特征的二元分类和多类分类模型在区分多种神经精神障碍时的表现,结果显示联合模型表现更佳,同时提出今后应该关注更具代表性的跨诊断数据集以及精细化的临床特征。
Jan, 2023
此研究评估了使用机器学习和自然语言处理技术来检测抑郁症的方法,针对数据清理、模型选择等方面进行了案例研究,并在具体实验中使用 Distress Analysis Interview Corpus - Wizard-of-Oz(DAIC-WOZ)数据集构建出准确率约为 84% 的模型,明显高于现有文献中通过 SVM 模型得到的 72% 的准确率。
Apr, 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
通过重分配数据和使用原始音频特征等 Fair Machine Learning 的方法,我们可以解决 Distress Analysis Interview Corpus - Wizard of Oz (DAIC-WOZ) 数据集中的性别偏见问题,从而解决数据偏见对抑郁症检测性能的影响。
Oct, 2020
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