针对抑郁,焦虑,失眠和疲劳风险检测的自动语音分析:算法开发和验证研究
Rachid Riad1, Martin Denais1, Marc de Gennes1
1Callyope, Paris, France.
Journal of medical Internet research
|September 26, 2024
概括
语音分析可以使用移动数据检测和估计抑郁症,焦虑,疲劳和失眠. 这种方法考虑了模型的不确定性和公平性,以实现更安全的临床使用.
科学领域:
- 语音分析 语音分析
- 机器学习是机器学习.
- 心理健康评估 心理健康评估
背景情况:
- 目前用于心理健康的语音分析往往侧重于单个症状,忽视症状相互作用.
- 预测模型缺乏对不确定性和公平性等局限性的评估,阻碍了临床部署.
研究的目的:
- 研究移动收集的语音数据在检测和估计抑郁,焦虑,疲劳和失眠方面的潜力.
- 专注于不仅仅是准确性的因素,包括不确定性和公平性.
主要方法:
- 利用了865名健康成年人的数据,包括通过问卷自我报告的精神和睡眠状态.
- 开发了一种新的语音和机器学习管道,使用预训练的深度学习模型.
- 评估临床值检测,个人得分预测,模型不确定性和人口公平性.
主要成果:
- 耳语M模型表现出良好的抑郁,焦虑,失眠和疲劳的检测性能 (AUC从0.68到0.78).
- 该系统准确地预测了个体症状得分,并且在避免不确定的预测方面表现良好.
- 公平性分析显示,性别之间存在一致性,教育水平的公平性适度,年龄组的公平性较低.
结论:
- 基于语音的系统显示了多方面的心理健康评估的潜力,包括严重程度的估计.
- 纳入公平性和不确定性估计对于提高临床效用和负责任的实施至关重要.


