听到声音来识别精神分裂症:基于深度学习的情绪和特征融合的语音歧视分析

科学领域:

• 精神病学是一个精神病学.
• 语音分析 语言分析
• 机器学习 机器学习

背景情况:

• 精神分裂症是一种复杂的精神障碍,具有异质的症状.
• 目前基于临床症状的诊断标准可能无法完全捕捉个体差异.
• 开发针对精神分裂症的客观诊断工具至关重要.

研究的目的:

• 开发一种使用语音分析检测精神分裂症的歧视性深度学习模型.
• 研究不同情绪刺激对精神分裂症发言特征的影响.
• 评估声学特征和人口信息的融合,以提高诊断准确度.

主要方法:

• 156名精神分裂症患者和74名健康对照参与了这项研究.
• 在参与者阅读中性,正面和负面情绪刺激的文本时,收集了语音数据.
• 使用卷积神经网络提取和分析了Log-Mel光谱图和Mel频率 cepstral 系数 (MFCC).

主要成果:

• 与积极和消极刺激相比,中性情绪刺激在区分分析中产生了更好的表现.
• 整合不同的情绪刺激和融合特征与人口信息增强了敏感性和特异性.
• 最佳模型实现了91.7%的准确度,94.9%的灵敏度,85.1%的特异性和0.963的ROC-AUC.

结论:

• 在中性情绪刺激下的语音分析有效地将精神分裂症患者与健康对照者区分开来.
• 结合各种情绪刺激,人口统计数据和MFCC,显著提高了精神分裂症检测的准确性.
• 这项研究为创建个性化基于语音的精神分裂症检测模型提供了方法论基础.