LMVD:野外大规模多模式抑郁检测 Vlog 数据集
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
本文介绍了一个新型的多级注意力网络用于多模式抑郁症预测,包括来自音频、视频和文本模式的特征融合,其在选择每种模式内最具影响力的特征进行决策时通过多级注意力加固了整体学习,实验中表现优于现有基线 17.52% 的均方根误差。
Sep, 2019
通过分析社交媒体上用户的历史帖子,我们提出了一种名为 DORIS 的新型抑郁症检测系统,结合医学知识和大型语言模型的最新进展,在早期检测和干预上具有重要作用,并且该系统通过结合传统分类器和大型语言模型,融合医学知识引导的特征,实现了高准确性和可解释性的预测结果。
Mar, 2024
通过对 203 个关键帧进行分析,我们比较了 LLM 和两名人类编码员在视频注释方面的准确性,发现 LLM 在物体和活动注释方面的准确性较高,而在情感和流派注释方面的准确性较低。此外,我们还确定了 LLM 注释视频的潜力和局限性,探讨了未来研究和改进工作的机遇和挑战,并讨论了基于 LLM 辅助视频分析的道德关切。
Jun, 2024
本研究通过对社交媒体发帖进行分析,开发了一个金标准数据集,将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别,并采用数据增强技术和机器学习算法,其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳,准确度和 F1 值均为 0.877 。
Feb, 2022
通过结合医学领域知识,我们设计了一种深度知识感知的网络框架(DKDD)以准确检测社交媒体用户是否患有抑郁症,并解释导致此类检测的关键因素。我们的实证研究表明,该方法优于现有最先进的方法,可以提供早期检测和解释关键因素,从而补充临床抑郁症筛查并评估人群的心理健康状况。
Mar, 2023
通过对 DepressionEmo 数据集进行情感、时间分布和语言分析,并使用文本分类方法,特别是 BERT 模型,研究表明该数据集在通过文本分析来识别抑郁症患者的情感上具有一定的价值,其中自杀意图情感所达到的最高 F1-Macro 值表明了这一点。
Jan, 2024