一种保护隐私的无监督扬声器解方法,用于从语音中检测抑郁症
Vijay Ravi1, Jinhan Wang1, Jonathan Flint2
1Department of Electrical and Computer Engineering, University of California Los Angeles, California, USA 90095.
CEUR workshop proceedings
|April 23, 2024
概括
这项研究引入了一种无监督的方法,用于基于语音的抑郁症检测,增强患者的隐私. 这种新的方法提高了抑郁症检测的准确性,同时有效地掩盖了扬声器的身份,而不需要扬声器标签.
科学领域:
- 计算语言学计算语言学
- 机器学习是机器学习.
- 语音处理 语音处理
背景情况:
- 目前从语音中检测抑郁症往往需要扬声器标签,导致隐私问题.
- 现有的方法可能不稳定,并通过对抗域预测增加复杂性.
研究的目的:
- 开发一种无监督扬声器解方法,用于保护隐私的抑郁症检测.
- 提高基于语音的抑郁症检测系统的准确性和降低复杂性.
主要方法:
- 一种无监督的方法,可以减少抑郁和说话者分类模型的潜空间之间的等号相似性.
- 在DAIC-WOZ数据集上使用ComparE16功能和仅用于LSTM的模型.
- 通过基于Word2vec的文本方法进行分数级合并.
主要成果:
- 获得了0.776的F1评分和92.87%的发言者非识别 (DeID) 评分,优于对抗方法.
- 与竞争对手相比,表现优越 (F1-Score 0.762,DeID 68.37%).与竞争对手相比,表现优越.
- 评分级别的融合提升了性能,F1得分为0.830.
结论:
- 拟议的无监督方法提高了基于语音的抑郁症检测中的隐私,而不需要扬声器标签.
- 这种方法减少了模型的复杂性,并比基线和对抗方法提高了性能.
- 扬声器解是基于文本的方法的补充,在结合时提供显著的性能收益.
