Gaborformer: Un método para la detección de la depresión mediante extracción y fusión híbrida de características...

Área de la Ciencia:

• Lingüística computacional
• Inteligencia artificial en la atención médica
• Procesamiento del habla

Sus antecedentes:

• La detección de la depresión es un desafío debido a su complejidad y heterogeneidad.
• Los métodos existentes pueden no utilizar completamente el aprendizaje profundo para la extracción de características del habla.
• Existe la necesidad de metodologías avanzadas en la detección de la depresión basada en el habla (SDD).

Objetivo del estudio:

• Introducir Gaborformer, un marco novedoso para la detección de la depresión utilizando extracción y fusión híbrida de características acústicas.
• Mejorar la precisión y la puntualidad de la detección de la depresión a través del aprendizaje profundo avanzado.
• Explorar el potencial de características específicas del habla en la identificación de estados depresivos.

Principales métodos:

• Se utilizó el análisis de componentes de vecinos iterativos clasificados (CINCA) para la reducción de dimensionalidad y la selección de características.
• Se desarrolló GaborNet, integrando filtros Gabor con redes neuronales convolucionales (CNN) para la fusión de características.
• Se empleó un modelo Conformer para capturar características relacionadas con la depresión de señales de habla de alta dimensionalidad.
• Se validó el marco en los conjuntos de datos DAIC-WOZ y MODMA.

Principales resultados:

• Gaborformer superó significativamente a estudios anteriores en la precisión de la detección de la depresión.
• El marco fusionó con éxito características acústicas, destacando la importancia de MFCC y LSP.
• CINCA seleccionó eficazmente características relevantes del habla depresiva, reduciendo la complejidad de los datos.

Conclusiones:

• El marco propuesto Gaborformer demuestra una alta eficacia para la detección de la depresión basada en el habla.
• La extracción y fusión de características híbridas utilizando aprendizaje profundo ofrece una vía prometedora para el diagnóstico de la salud mental.
• Características acústicas específicas como MFCC y LSP son indicadores cruciales en SDD.