在社交媒体上使用深度学习技术检测精神疾病的混合推系统
Sayed Sayeed Ahmad1, Rashmi Rani1, Ihab Wattar2
1College of Engineering and Computing, Al Ghurair University, Dubai, UAE.
Computational intelligence and neuroscience
|July 17, 2023
概括
这项研究引入了一种新的推系统,用于检测心理疾病,使用行为模式挖掘和特征选择技术,如河流形成动力学 (RFD) 和粒子群集优化 (PSO). 拟议的系统在识别抑郁症患者方面表现得更好.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 数据挖掘 数据挖掘
背景情况:
- 推系统在电子商务和社交媒体中被广泛使用.
- 分析用户行为模式可以帮助评估心理稳定性.
- 传统的顺序模式挖掘算法面临着大数据集的可扩展性挑战.
研究的目的:
- 开发一个优化的推系统,用于心理疾病的检测.
- 通过行为模式挖掘,提高心理健康分析的效率和准确性.
- 解决处理大规模社交媒体数据的传统方法的局限性.
主要方法:
- 采用了顺序模式挖掘,以实现高效的模式提取.
- 采用特征选择来删除不相关的数据特征.
- 实现了频繁模式 (FP) 采矿,采用缩树架构.
- 开发了一种混合RFD-PSO算法用于特征选择.
主要成果:
- 缩树架构为FP采矿提供了高吞吐量和成本效益的性能.
- 功能选择提高了分类器的速度,准确性和成本效益.
- 拟议的推系统,使用混合RFD-PSO进行特征选择,在抑郁患者数据集上表现得更好.
结论:
- 行为模式挖掘与高级特征选择相结合,为精神疾病检测提供了一个有前途的方法.
- 混合RFD-PSO算法在选择心理健康分析相关特征方面是有效的.
- 开发的推者系统显示了在精神卫生保健中实际应用的潜力.
