注意引导可学习的时间域过器用于语音抑郁症检测
Wenju Yang1, Jiankang Liu1, Peng Cao1
1College of Computer Science and Engineering, Northeastern University, Shenyang, 110819, Liaoning, China; Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Northeastern University, Shenyang, 110819, Liaoning, China.
这项研究引入了一个新的语音抑郁症检测 (SDD) 框架,DALF,它使用可学习的过器来提取生物学上有意义的声学特征,以改进抑郁症查. DALF显著优于现有方法,为早期心理健康检测提供了一个有前途的工具.
科学领域:
- 计算语言学计算语言学
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 在全球范围内,有效的抑郁查仍然是一个挑战.
- 目前的言语抑郁检测 (SDD) 模型通常依赖于固定的光谱特征,限制细粒度分析.
- 需要先进的方法,通过语音分析来促进大规模的抑郁症查.
研究的目的:
- 开发和评估一个新的联合学习框架 (DALF) 用于语音抑郁症 (SDD) 检测.
- 通过提高SDD的准确性和可解释性来实现大规模的抑郁症查.
- 通过语音信号识别抑郁症的新型声学生物标志物.
主要方法:
- 提出了一个联合学习框架 (DALF),包括抑郁症过器银行,特征学习 (DFBL) 和多尺度光谱注意力学习 (MSSA).
- DFBL使用可学习的时间域过器来提取具有生物意义的声学特征.
- MSSA引导过器专注于相关的频率子频段,增强特征表示.
- 引入了一个新的数据集,基于中性阅读的音频集 (NRAC),用于抑郁症分析.
主要成果:
- 达尔夫模型实现了最先进的性能,在DAIC-woz数据集上F1得分为78.4%.
- 在NRAC数据集中,DALF在其两个部分实现了87.3%和81.7%的高F1得分.
- 分析揭示了一个关键频率范围 (600-700Hz),作为SDD的潜在声学生物标志物.
结论:
- 达尔夫模型为发言抑郁症检测提供了一个有希望和可解释的方法.
- 可学习的时间域过器和多尺度的光谱注意力可以有效地捕捉与抑郁症相关的语言特征.
- 识别的频率范围为开发更有效的抑郁查工具提供了宝贵的见解.
更多相关视频
05:19Author Spotlight: Therapeutic Benefit of Closed-Loop Deep Brain Stimulation in Depression Treatment
Published on: July 7, 2023
08:25Combined Invasive Subcortical and Non-invasive Surface Neurophysiological Recordings for the Assessment of Cognitive and Emotional Functions in Humans
Published on: May 19, 2016
相关概念视频
01:30Classification of Signals
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
01:05Long-term Depression