测量心理健康的非典型情绪：计算方法调查

Mar, 2024

Measuring Non-Typical Emotions for Mental Health: A Survey of Computational Approaches

Puneet Kumar, Alexander Vedernikov, Xiaobai Li

TL;DR对非典型情绪（如压力、抑郁和投入度）的分析比常见的情绪（如幸福、悲伤、恐惧和愤怒）更为复杂和不常见。这篇论文介绍了计算方法用于分析压力、抑郁和投入度的先前研究和最新技术，探讨了常用的数据集、输入模式、数据处理技术和信息融合方法，并概述了应用、挑战、限制和未来研究方向。

Abstract

Analysis of non-typical emotions, such as stress, depression and engage

发现论文，激发创造

该研究使用两个数据集，提出了两个多任务学习框架，使用抑郁症和压力作为主要和辅助任务，旨在利用社交媒体挖掘抑郁和压力信息，实现其早期识别。实验显示，该方法相比于传统单任务学习和迁移学习有多重优势。

May, 2023

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

我们研究了使用可穿戴生物信号数据进行三类情绪分类（中性、压力和娱乐）的个性化和普遍化机器学习模型之间的差异，并发现个性化模型在特定情境下表现优于普遍化模型。

Aug, 2023

使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

May, 2023

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

该论文系统回顾了结合情感信息进行社交媒体中精神疾病检测的方法。讨论了数据集可用性和质量、算法性能和可解释性等方面面临的挑战，并提出了未来研究的潜在方向。

Apr, 2023

情感识别是一个复杂的任务，本论文通过多角度研究数据集、标签、建模、人口统计学和成员变量编码以及评估等方面的挑战，推进了强健、实用的情感识别模型的发展。

Sep, 2023

研究开发了一种新的情感标注的心理健康语料库 (EmoMent)，从 Sri Lanka 和印度提取了 2802 篇 Facebook 帖子 (14845 句子)，并使用 RoBERTa 模型对其进行自动分类分析，证明了情感分析的潜力。

Aug, 2022

本研究综合评估了文献中存在的重要主观和客观人体应激检测技术。特别是，使用可穿戴传感器和非穿戴传感器获得数据的心理、生理、物理和行为测量方法被详细研究，从而为未来的研究提供参考建议，利用人工智能技术实现有效检测人类应激状态。

Feb, 2022

使用非语言线索检测抑郁症，引入虚拟助手与认知行为疗法基于的回应，取得了显著成果。

Jun, 2024