多模态心理健康数字生物标志物分析从使用面部,声音,语言和心血管模式的远程采访

科学领域:

• 计算精神病学是一种计算精神病学.
• 数字化表型化是指数字化表型化.
• 机器学习在心理健康中的应用

背景情况:

• 传统的精神病学评估是主观的,有偏见的,难以扩展.
• 对专业人员的高培训要求限制了精神病学评估的可访问性.
• 需要客观,可扩展的方法来评估心理健康.

研究的目的:

• 通过电视视频采访,调查患有和没有精神疾病的个体之间的行为和生理信号的差异.
• 评估多式联运数据分析在心理健康状况检测方面的潜力.
• 探索远程采访数据对于可扩展的心理健康服务的实用性.

主要方法:

• 从远程采访中提取了面部,声音,语言和心血管信号的时间变化.
• 从73个受试者的计算统计特征 (平均值,标准偏差,马克夫统计) 来.
• 执行了对精神疾病,严重抑郁症和自我评估抑郁/焦虑症的二元分类任务,评估单模和多模方法.

主要成果:

• 在精神病组和对照组之间观察到提取的特征存在显著差异.
• 心率动态显示出最强的单模式性能 (AUROC 0.68-0.75).
• 结合多种模式实现了更高的性能 (AUROC 0.72-0.82),表明了心理健康状况的信息特征.

结论:

• 远程采访中的多模式特征有效地捕捉了心理健康状况的特征.
• 该方法展示了可扩展,远程和低成本心理健康评估的潜力.
• 通过这种低负担,数据驱动的方法,可以促进自动化心理健康服务.