Un nuevo marco Bi-LSTM dilatado para la detección de la depresión a partir de señales de voz mediante la fusión de...

Área de la Ciencia:

• Lingüística computacional
• Aprendizaje automático para la atención médica
• Procesamiento de señales de voz

Sus antecedentes:

• La detección de la depresión a partir del habla es vital para la evaluación de la salud mental.
• Los métodos actuales sufren de una extracción de características deficiente, problemas de interpretabilidad y barreras lingüísticas.
• Existe la necesidad de modelos de detección de depresión más precisos y eficientes.

Objetivo del estudio:

• Proponer un modelo novedoso de detección de depresión basado en el habla con precisión y rendimiento mejorados.
• Abordar las limitaciones de los sistemas de detección de depresión existentes.
• Desarrollar un modelo robusto para identificar diferentes etapas de la depresión.

Principales métodos:

• Preprocesamiento adaptativo basado en umbral (AdaT) y filtro Savitzky-Golay gemelo (TSaG) para la reducción de ruido.
• Algoritmo de transformada wavelet adaptativa de sincronización (SSawT) para la conversión de señal a imagen.
• Descomposición empírica singular y autoencoder disperso (SiFE) para la extracción de características.
• Fusión basada en atención suave ponderada (WSAttF) para combinar características.
• Optimización caótica de anillos de lodo (ChMR) para la selección de características.
• Red neuronal convolucional (CNN) dilatada basada en Bidirectional-Long Short Term Memory-Bi-LSTM (DiCBiL) para la detección de etapas de depresión.

Principales resultados:

• El modelo propuesto logró una puntuación F1 del 93,22 %, una precisión del 93,11 %, una recuperación del 93,12 % y una exactitud del 93,31 % en el conjunto de pruebas DAIC-WOZ.
• La validación en el conjunto de datos AVEC 2019 arrojó una exactitud del 93,91 %.
• La validación en el conjunto de datos MELD logró una exactitud del 85,34 %.
• El modelo demuestra una alta eficacia en la detección de etapas de depresión con tasas de error reducidas.

Conclusiones:

• El modelo propuesto de detección de depresión basado en el habla mejora significativamente la precisión y la eficiencia.
• La novedosa combinación de procesamiento de señales, extracción de características y técnicas de aprendizaje profundo es eficaz.
• Este modelo ofrece una herramienta prometedora para la evaluación objetiva de la salud mental y el diagnóstico de la depresión.