开发一种机器学习模型,用语音和面部表情来检测轻度认知障碍的老年人的抑郁,焦虑和冷漠:一个横截面观察性研究
International journal of nursing studies
|August 2, 2023
概括
一个新的机器学习模型准确地检测和区分抑郁症,焦虑和冷漠在老年人中轻度认知障碍使用语音和面部线索. 这种方法为准确分类和远程监测这些普遍症状提供了客观的方法.
科学领域:
- 老年学和认知科学 认知学和认知科学
- 医疗保健中的人工智能
- 临床心理学和精神病学 临床心理学和精神病学
背景情况:
- 在患有临床前痴呆症和轻度认知障碍 (MCI) 的老年人中,抑郁,焦虑和冷漠是常见的.
- 这些症状可以预测MCI进展为痴呆症,强调早期诊断和治疗的必要性.
- 目前,用于检测和区分这些疾病的客观指标有限.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于检测和区分抑郁,焦虑和冷漠.
- 为ML模型利用语音和面部表情数据.
- 为这些普遍的神经精神病症状提供客观的措施.
主要方法:
- 一项涉及319名患有MCI的老年人的观察性横截面研究.
- 通过验证的问卷来评估抑郁,焦虑和冷漠.
- 数字捕获语音和面部表情,然后使用开源工具包进行特征提取.
- 开发一个多类分类模型,使用Shapley的附加解释来解释特征.
主要成果:
- 一个基于森林的随机多类情绪分类模型获得了96.6%的F1加权平均得分.
- 该模型展示了高性能指标,包括87.4%的准确性,86.6%的精度和87.6%的回忆率.
- 沙普利的附加解释被用来解释模型中的特征贡献.
结论:
- 开发的ML模型显示了准确检测和区分抑郁,焦虑和冷漠的巨大潜力.
- 这种多模式方法 (文本,音频,视频) 为准确的分类提供了客观的方法.
- 该模型支持对这些症状的远程监测,这对护理实践有影响.
