[基于多个机器学习算法和语音情感特征的低值抑郁症识别模型的构建]
Meimei Chen1,2, Yang Wang1,2, Huangwei Lei1,2
1College of Traditional Chinese Medicine, Fujian University of Traditional Chinese Medicine, Fuzhou 350122, China.
概括
语音情感特征可以识别低值抑郁症. 机器学习模型,特别是自适应提升 (AdaBoost) 和随机森林 (RF),在对患有低值抑郁症的个体进行早期检测时显示出高准确度.
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.
- 机器学习是机器学习.
背景情况:
- 低于值的抑郁症对早期临床鉴定构成了重大挑战.
- 声情感特征为心理健康评估提供了一个潜在的非侵入性生物标志物.
研究的目的:
- 开发和评估机器学习模型,根据声音情绪特征对患有低值抑郁症的个体进行分类.
- 通过语音分析确定最有效的算法,用于早期检测下值抑郁症.
主要方法:
- 从有抑郁症和没有抑郁症的个体的语音样本中提取了384维的语音情感特征.
- 在特征选择中使用递归特征消除 (RFE).
- 使用自适应提升 (AdaBoost),随机森林 (RF),线性差异分析 (LDA),物流回归 (LR),拉索回归 (LRLasso) 和支持矢量机器 (SVM) 构建和评估分类模型.
主要成果:
- AdaBoost和Random Forest模型在分类下值抑郁方面取得了很高的准确性 (在文字阅读测试中高达100%).
- 这些模型在真实世界的语音数据上保持了强大的预测性能 (例如,AdaBoost 91.7%用于文字阅读).
- 线性差异分析也显示出有希望的结果,特别是在文字阅读任务中.
结论:
- 对声乐情感特征的分析对于识别低于值的抑郁症是有效的.
- AdaBoost和RF模型显示出在临床和研究环境中帮助早期检测下值抑郁症的巨大潜力.
