Gaborformer: ハイブリッド音響特徴抽出と融合によるうつ病検出手法

科学分野:

• 計算言語学
• ヘルスケアにおける人工知能
• 音声処理

背景:

• うつ病検出は、その複雑性と異質性のため困難です。
• 既存の方法では、音声特徴抽出のためのディープラーニングを十分に活用していない可能性があります。
• 音声ベースうつ病検出（SDD）における高度な方法論の必要性が存在します。

研究 の 目的:

• ハイブリッド音響特徴抽出と融合を用いたうつ病検出のための新しいフレームワークであるGaborformerを導入すること。
• 高度なディープラーニングを通じて、うつ病検出の精度と適時性を向上させること。
• うつ病状態の特定における特定音声特徴量の可能性を探求すること。

主な方法:

• 次元削減と特徴量選択のために、分類反復近傍成分分析（CINCA）を利用しました。
• 特徴量融合のために、Gaborフィルタと畳み込みニューラルネットワーク（CNN）を統合したGaborNetを開発しました。
• 高次元音声信号からうつ病関連特性を捉えるために、Conformerモデルを採用しました。
• DAIC-WOZおよびMODMAデータセットでフレームワークを検証しました。

主要な成果:

• Gaborformerは、うつ病検出精度において以前の研究を大幅に上回りました。
• このフレームワークは音響特徴量を効果的に融合し、MFCCとLSPの重要性を強調しました。
• CINCAは関連するうつ病音声特徴量を効果的に選択し、データ複雑性を低減しました。

結論:

• 提案されたGaborformerフレームワークは、音声ベースうつ病検出に対して高い有効性を示しました。
• ディープラーニングを用いたハイブリッド特徴抽出と融合は、メンタルヘルス診断に有望な道を提供します。
• MFCCおよびLSPのような特定音響特徴量は、SDDにおける重要な指標です。