Jun, 2024

基于语音的临床抑郁症筛查：实证研究

PDF
TL;DR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。
speech signalsai-based depression screeninginteraction scenariosacoustic and deep speech featuresdepression screening
发现论文，激发创造
  • 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

  • 利用自动语音识别系统和深度学习主题模型在智能手机收集的自由回答语音记录中识别与抑郁相关的主题

    研究表明，语言使用与抑郁症相关，但需要大规模验证。本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题。其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题：无期望、睡眠、心理疗法、剪发、学习和课程作业。我们比较了识别到的话题之间的行为（通过可穿戴设备）和语言特征，揭示了话题的产生及其与抑郁症的关联。同时，通过调查话题转变与时间内抑郁症严重程度的变化之间的关系，证明了长期监测语言使用的重要性。此外，我们还在一个类似较小的数据集上测试了 BERTopic 模型（57 名参与者的 356 个语音记录），获得了一些一致的结果。总结起来，我们的发现表明特定的语音话题可能会指示抑郁症的严重程度。所呈现的数据驱动工作流提供了一种在真实环境中收集和分析大规模语音数据的实用方法，可用于数字健康研究。

    Aug, 2023

  • 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

  • 从口语和 3D 面部表情测量抑郁症状严重程度

    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

  • 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

  • 抑郁症患者言语特征变化关系：改善抑郁症检测速度与表现的特征相关性

    抑郁症将语音特征之间的相关性改变，并表明利用这种洞察可以提高基于 SVM 和 LSTM 的抑郁症检测器的训练速度和性能。

    Jul, 2023

  • 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

  • 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

  • 自监督嵌入用于检测抑郁症个体症状

    利用自监督学习（SSL）基于语音模型识别和预测抑郁症症状和严重程度，比传统语音特征具有显著性能改进，并探究不同类型的 SSL 预训练模型在识别不同症状时所贡献的语音信息，以及多个 SSL 嵌入的组合和多任务学习在有效识别抑郁症症状中的重要性。

    Jun, 2024

  • 从带噪声的语音和语言数据出发的，基于数据驱动的区别抑郁症和痴呆症的方法

    本篇论文研究并对比了线性与非线性聚类方法，以鉴别从语音中区分痴呆和抑郁症之间的能力，研究结果表明，非线性聚类技术可以更好地区分不同疾病群集。从输出结果来看，几种能区分痴呆和抑郁症的主要不同症状为：声学异常、言语的重复性、词语查找困难、认知障碍和词汇复杂度的差异。

    Oct, 2022