新的混沌集成改进的基于灰狼优化模型,用于在线社交媒体和网络中自动检测抑郁症

科学领域:

• 计算精神病学是一种计算精神病学.
• 人工智能在心理健康中的作用
• 超启发式优化算法的优化算法

背景情况:

• 抑郁症是一个重要的全球健康问题,具有传统诊断方法的局限性 (成本,主观性).
• 社交媒体提供实时的情绪表达,但现有的抑郁症检测机器学习模型面临着数据稀疏性和缺乏解释性等挑战.
• 超启发式优化算法对复杂问题有希望,但需要集成以提高抑郁症检测.

研究的目的:

• 开发新的混沌集成多目标优化算法,以从社交媒体数据中改进抑郁症检测.
• 解决现有的机器学习方法的局限性,包括特征选择和模型可解释性.
• 提高抑郁症检测模型的准确性和效率.

主要方法:

• 将圆形,物流和代混乱地图集成到改进的灰狼优化 (GWO) 算法中.
• 开发一个多目标健身功能,同时优化准确性和功能选择.
• 拟议的算法与监督机器学习和现有的元启发方法进行比较,使用准确性,F-测量和MCC等指标.

主要成果:

• 拟议的混沌集成GWO算法在抑郁症检测中实现了100%的准确性.
• 实验结果表明,与传统的机器学习和其他元启发算法相比,其性能优越.
• 混矩阵表明了成功和准确的分类分布.

结论:

• 混沌集成的多目标优化算法代表了对可解释和高度准确的抑郁症检测有前途的进步.
• 开发的模型有效地克服了以前在社交媒体数据分析中基于机器学习的方法的局限性.
• 这项研究强调了优化理论在应对复杂的心理健康挑战方面的潜力.