噪音 通过无监督特征聚合从语音中对抑郁状态和治疗反应的强有力的识别
概括
本研究使用电话采访来对抑郁症进行分类,并检测患者对治疗的反应. 语音分析在识别主要抑郁症发作时达到69.2%的准确率,在检测治疗反应时达到68.1%.
科学领域:
- 临床心理学 临床心理学
- 计算语言学 计算语言学
- 机器学习 机器学习
背景情况:
- 抑郁症分类和治疗响应检测在精神卫生保健中至关重要.
- 现有的基于语音的抑郁症研究往往不包括患者特定的纵向数据.
- 基于电话的临床采访为可扩展的心理健康监测提供了实用的数据来源.
研究的目的:
- 为了分类抑郁症的严重程度和检测治疗反应使用噪音临床采访语音数据.
- 评估用于抑郁症分析的无监督特征量化和聚合方法.
- 评估使用语音模式来自动监测主要抑郁发作 (MDE) 和治疗疗效的可行性.
主要方法:
- 利用了与抑郁症患者进行的电话临床采访的杂数据集.
- 采用无监督的特征定量和聚合技术进行语音分析.
- 将患者分类为缓解或重度抑郁期 (MDE),并评估随时间推移的治疗反应.
主要成果:
- 达到69.2%的未加权平均回忆 (UAR) 用于分类主要抑郁发作 (MDE).
- 对于MDE分类的模型性能与汉密尔顿抑郁症评分表 (HRSD) 截止值得分相匹配.
- 在使用语音样本检测治疗反应时,证明了68.1%的UAR.
结论:
- 临床采访的语音分析是抑郁症分类和治疗反应检测的可行方法.
- 无监督的方法可以有效地处理噪音,现实世界的临床语音数据.
- 自动语音分析具有可扩展和客观的心理健康监测的潜力.
