在智能手机收集的自由响应语音录音中识别与抑郁相关的主题,使用自动语音识别系统和深度学习主题模型

科学领域:

• 计算语言学 计算语言学
• 精神病学是一个精神病学.
• 数字化表型化是指数字化表型化.

背景情况:

• 以前的研究将口语与抑郁症联系起来,但通常使用小的非临床样本和手动转录.
• 手动语音转录是耗时的,并为大规模分析带来瓶.
• 自动语音识别和话题建模为分析临床语音数据提供了可扩展的解决方案.

研究的目的:

• 从临床样本中自动识别语音录音中的与抑郁症相关的主题.
• 调查识别的语音主题,抑郁症严重程度和行为特征之间的关系.
• 开发数据驱动的工作流程,用于分析大规模的语音数据,以获得心理健康见解.

主要方法:

• 利用通过智能手机收集的265名参与者有抑郁病史的3919个英语语音录音.
• 使用自动语音识别 (Whisper) 来进行转录,并使用深度学习主题模型 (BERTopic) 来进行主题识别.
• 对比抑郁症严重程度,可穿戴设备衍生的行为数据,以及跨识别的语言主题的语言特征.

主要成果:

• 确定了6个抑郁风险主题:"没有期望"",睡眠"",心理治疗"",剪发"",学习"和"课程".
• 讨论风险话题的参与者表现出更大的睡眠变化,更晚的入睡,减少了每日步骤.
• 语音分析显示,在提到风险话题的参与者中,词汇较少,语言更消极,与休相关的词语较少.

结论:

• 特定的语音话题可以作为临床人群中抑郁症严重程度的指标.
• 开发的自动化工作流程可以对现实世界的大规模语音数据进行实际分析.
• 研究结果强调了通过语音进行数字表型化的潜力,用于心理健康监测.