TSFFM:基于面部和身体表情的潜在关联的抑郁症检测
Xingyun Li1, Xinyu Yi1, Lin Lu1
1Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences), Jinan, China; Shandong Engineering Research Center of Big Data Applied Technology, Faculty of Computer Science and Technology, Qilu University of Technology (Shandong Academy of Sciences), Jinan, China; Shandong Provincial Key Laboratory of Computer Networks, Shandong Fundamental Research Center for Computer Science, Jinan, China.
这项研究引入了一种新的双流特征融合模型 (TSFFM) 用于抑郁症识别,整合面部和身体表情. 该模型通过分析空间和时间特征来显著提高准确性,以便更好地检测抑郁.
科学领域:
- 心理学 心理学 心理学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 抑郁症是一种广泛的心理健康问题,需要早期发现和干预.
- 目前的抑郁症识别方法往往忽略了肢体语言,主要关注的是面部表情.
- 整合多模式表达式可以提高抑郁症识别的准确性.
研究的目的:
- 为抑郁症识别提出一种新的双流特征融合模型 (TSFFM).
- 研究面部和身体表情在识别抑郁症中的协同关系.
- 开发一种先进的特征提取和融合机制,以改进低谷检测.
主要方法:
- 招募了156名参与者进行情绪刺激实验,以收集面部和身体表情数据.
- 开发了一个双流特征融合模型 (TSFFM),其中有一个中央的融合和提取 (FE) 模块.
- FE模块采用嵌入式注意力机制来增强局部特征,并提取时间特征,融合空间和时间信息.
主要成果:
- 拟议的TSFFM在抑郁情绪刺激数据集上获得了0.896的准确性和F1得分.
- 在AVEC2014数据集中,TSFFM表现出强的表现,MAE为5.749和RMSE为7.909.
- 该研究证实了抑郁症和对照组之间面部和身体表情的显著区别.
结论:
- TSFFM有效地整合了面部和身体表情,以准确识别抑郁症.
- FE模块对特征提取和融合的方法比传统方法更为先进.
- 这项研究强调了在对抑郁症的多式联络分析中考虑身体语言的重要性.
更多相关视频
10:28Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease
Published on: July 24, 2019
07:12Protocol for Data Collection and Analysis Applied to Automated Facial Expression Analysis Technology and Temporal Analysis for Sensory Evaluation
Published on: August 26, 2016
相关概念视频
Facial Feedback Hypothesis
Association Areas of the Cortex
Prefrontal Association Area: This area is located in the frontal lobe and is involved in planning, decision-making, and moderating social behavior. It connects with primary motor areas,...
