Sep, 2024

大规模数字表型分析：在一般英国人群中识别抑郁和焦虑指标

HTML
PDF
TL;DR本研究针对数字表型方法在抑郁和焦虑管理中的有效性，填补了以往研究的样本局限性。通过分析来自10,129名参与者的数据，研究创新性地应用无监督聚类和机器学习模型，识别与抑郁和焦虑相关的行为模式和潜在指标，结果显示数字表型和机器学习技术在公共卫生中的快速筛查潜力。
发现论文，激发创造
  • 利用特征研究从推特数据中归类抑郁症状以促进人群健康

    通过特征消融实验和特征消除方法确定最佳分类性能，我们发现，词汇特征对于识别抑郁症状至关重要，简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。

    Jan, 2017

  • 半监督方法监测社交媒体中的临床抑郁症状

    通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与PHQ-9医学发现的一致性，获得了最高68%的准确性和72%的精确度。

    Oct, 2017

  • 使用多模态社交媒体数据检测高等教育学生的抑郁症状

    通过研究学生在社交媒体上发布的图片和标题，使用深度学习进行功能工程模型从而检测大学生抑郁症状严重程度的研究表明，具有BDI得分大于或等于20的学生可以在最佳情况下通过融合模型达到0.92的召回率和0.69的精度，这表明了大规模抑郁症筛查的潜力，从而有助于发现处于风险的学生。

    Dec, 2019

  • 通过利用临床问卷提高抑郁症检测的泛化能力

    本研究提出通过将模型约束在医生在抑郁筛选过程中使用的PHQ9表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于PHQ9的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。

    Apr, 2022

  • 通过社交媒体进行时间和空间上的鲁棒语言心理健康评估

    本研究旨在通过对社交媒体数据进行大规模分析，使用1.2亿条推文来估计美国各个县的抑郁症和焦虑症情况，从而实现以更高的分辨率监测人口心理健康状况的可行性，在精确度方面要优于ad-hoc调查。

    Feb, 2023

  • 基于人口普查调查和普遍生活问题的青少年抑郁风险预测探索

    通过使用青少年调查数据来预测抑郁风险，本研究提出了一种处理不平衡医学数据的方法和适应性预测方法，并提出了基于云的在线学习和数据更新的架构解决方案。

    Jan, 2024

  • SeSaMe: 一个模拟自声明地面真实度量心理健康感知研究的框架

    通过使用基于大规模语言模型的 SeSaMe 框架，我们可以减轻参与者在数字心理健康研究中的负担，模拟他们在心理量表上的回应，并通过实验证明其在训练机器学习模型方面具有潜力，同时解决了长期自我报告导致的问题。

    Mar, 2024

  • 心灵的表情: 通过面部表情揭示在11,427名青少年中的心理健康状态

    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

  • 利用基于智能手机传感器特征的LLMs进行情感状态预测

    该研究利用大型语言模型通过手机感应数据预测情绪结果，显示出大型语言模型在推断普遍幸福感方面的有效性，揭示了智能手机行为模式与情绪状态之间的复杂联系，是首个将大型语言模型应用于情绪状态预测和数字表型任务的研究。

    Jul, 2024

  • 从街景图像预测荷兰地区的抑郁和焦虑风险

    通过分析荷兰的街景图像，该研究探讨了抑郁症和焦虑症的环境相关性。研究采用原始图像并利用两种神经网络模型（DeiT Base 和 ResNet50）来预测不同风险等级的社区风险水平，并通过对模型应用 SHAP 和梯度回溯方法来寻找相关特征。研究发现，特定的风景类型与特定的风险类别之间存在一致性联系，这证明了这些方法在监测环境风险因素与精神健康问题之间的关联性方面的潜力。未来的研究方向推荐借助这些方法观察荷兰健康监测风险评分在不同社区之间随时间的变化。

    Jun, 2024