在儿童和青少年中检测临床相关的情绪困扰和功能障碍:自动语音分析算法开发研究的协议

科学领域:

• 精神病学中的数字健康创新
• 人工智能和机器学习在精神卫生保健中的应用.
• 精神疾病的生物标志物

背景情况:

• 儿童和青少年面临着心理健康危机,服务差距和黑人青年自杀率上升加剧了这种危机.
• 到2025年预计的治疗师短缺将进一步加重心理健康服务的压力.
• 整合数字心理健康工具对于积极识别和在青少年心理健康护理中的合作至关重要.

研究的目的:

• 开发用于语音情感识别的人工智能/机器学习算法.
• 将创伤,压力和声音特征联系起来,识别言语中障碍.
• 在儿童和青少年中检测临床相关的情绪困扰和功能障碍.

主要方法:

• 利用了心理创伤生物标记物和原型语音类别理论.
• 专注于分类5种情绪:愤怒,幸福,恐惧,中立和悲伤.
• 采用高斯混合模型 (GMM),循环神经网络和长期短期记忆来开发模型,使用通过移动应用程序收集的数据.

主要成果:

• 有128个集群的高斯混合模型 (GMM) 在所有5种情绪中表现出强大的,均分布的准确性.
• 总体准确度达到79.15%使用发言级特征,增加到85.35%的情感选择.
• 研究招聘于2021年8月启动,预计结果在2024年.

结论:

• 这项研究解决了对基于语音的数字健康工具的需求,以检测年轻人的情绪困扰.
• 初步发现表明,该算法有可能提高儿童和青少年的心理健康结果.
• 这项研究有助于在精神卫生保健中更广泛的数字健康转型.