Jun, 2024

自监督嵌入用于检测抑郁症个体症状

PDF
TL;DR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。
发现论文，激发创造
  • 基于语音的自监督表示在抑郁症检测中的应用

    本文提出利用具有自我监督学习预训练的基础模型来处理语音自动抑郁症检测中的训练数据稀疏性，并从自动语音识别和情感识别向抑郁症检测进行知识传递，结果表明使用 ASR 语音隐含层表示和 ASR 文本信息同时进行微调可以实现类似的 SDD 性能，最终通过整合多个基础模型的表示达到了基于真实 ASR 的 DAIC-WOZ 数据集上最先进的 SDD 结果。

    May, 2023

  • 基于社交媒体文本的抑郁症状建模：一种半监督学习方法

    使用半监督学习和大规模文本预训练语言模型，基于社交媒体语言数据，构建了最大的自述抑郁症状识别数据集，并训练出表现显著提高的抑郁症状检测模型。

    Sep, 2022

  • 探索自监督学习的任务无关特性在检测心理障碍中的应用

    通过 SSL 在检测抑郁症和创伤后应激障碍时使用音频和视频数据所生成的任务不可知的表示具有改进的检测性能和任务不可知的特性。

    Mar, 2024

  • 利用神经网络和语言元数据对文本序列中的抑郁症状进行早期检测

    通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

    Apr, 2018

  • 探索基于自监督多视角对比学习在有限标注下的语音情感识别

    提出了一种多视角的自监督学习预训练技术，用于改善情感识别在数据标注有限的情况下的性能，实验证明该框架能够提高业绩。

    Jun, 2024

  • 基于语音的临床抑郁症筛查：实证研究

    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

  • 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

  • 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

  • 基于音频的情绪识别的自监督学习

    情感识别通过音频输入数据的模型可以实现在心理健康、营销、游戏和社交媒体分析等领域的交互式系统的发展。

    Jul, 2023