客观量化使用人工智能,语音识别技术和普遍情绪的儿科精神病严重程度:人工智能启用创新的试点研究,以解决青年心理健康危机
Desmond Caulley1, Yared Alemu2,3, Sedara Burson2
1School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, United States.
JMIR research protocols
|October 23, 2023
概括
人工智能准确地检测到年轻人的言语中的情绪,帮助心理健康护理. 自动化情绪检测模型,特别是基于变压器的模型,显示出高精度和回忆力,用于识别儿童的情绪强度.
科学领域:
- 医疗保健中的人工智能
- 语言 情感 识别 语言
- 儿科心理健康 儿科心理健康
背景情况:
- 青少年心理治疗因资源密集性而面临挑战.
- 需要客观的基准来指导青年治疗干预.
- 从语音中自动检测情绪为改善心理健康服务提供了一种新的方法.
研究的目的:
- 开发和评估用于检测患者言语中的情绪强度 (愤怒,恐惧,悲伤,幸福) 的自动化方法.
- 使用更大的语音样本数据集验证先前开发的模型.
- 展示部署这些情绪检测模型的可行性.
主要方法:
- 使用了高负面童年经历 (ACE) 评分的儿童的录音.
- 从一个固定的脚本中收集结构化的语音样本.
- 聘请专家治疗师进行四种情绪和强度的音频细分分类.
- 实验了预处理技术 (消除噪音,语音活动检测,日记化).
- 探索卷积神经网络 (CNN) 和用于情绪强度预测的变压器架构.
主要成果:
- 特定于情感的变压器模型实现了86%的精度和79%的回忆力,用于二进制情感强度分类.
- 一个基于CNN的概括模型在预测四种情绪强度时,达到83%的精度和83%的回忆率.
- 这两种模型都在自动语音情绪检测方面表现出高准确度.
结论:
- 通过人工智能从患者的言语中自动检测情绪是可行的和准确的.
- 变压器模型在情绪特定检测方面出色;CNN模型在通用检测方面表现有前途.
- 这些人工智能模型可以支持儿科医生和心理健康提供者对年轻人进行适当的护理.
