预测自杀使用基于网络的语音记录,由人工智能分析
Agnieszka Ewa Krautz1, Julia Volkening2, Janik Raue2
1PeakProfiling GmbH, Eschenallee 36, 14050, Berlin, Germany. agnieszka.krautz@peakprofiling.com.
Scientific reports
|July 4, 2025
概括
机器学习模型可以使用语音数据预测自杀风险,达到76%的准确率. 这一突破利用语言作为早期发现和自杀预防努力的生物标志物.
科学领域:
- 计算精神病学是一种计算精神病学.
- 人工智能在心理健康中的作用
- 自杀风险的生物标志物
背景情况:
- 机器学习 (ML) 和深度学习模型越来越多地用于自杀风险评估.
- 语音分析提供了一种潜在的非侵入性方法来识别心理状态.
研究的目的:
- 用公开可用的,基于网络的语音数据来预测完成的自杀.
- 评估语音作为自杀风险评估的生物标志物.
- 确定最有效的ML模型和功能来预测自杀.
主要方法:
- 采用了一种病例控制研究设计.
- 使用了公开可用的,基于网络的语音录音.
- 机器学习模型,包括多层感知器,经过训练和验证.
- 提取并分析了并语言特征 (结构化和非结构化).
主要成果:
- ML模型在区分自杀死亡的人与对照人时,实现了0.74的曲线下面面积 (AUC).
- 预测准确度提高到AUC为0.85和76%的准确度自杀发生在12个月的音频录制.
- 多层感知器模型表现最好,特别是在结合结构化和非结构化平行语言特征的情况下.
- 该模型证明了对分析管道扰动的稳定性.
结论:
- 使用ML的语音分析可以作为自杀风险的客观和非侵入性生物标志物.
- 语音生物标志物的时间接近对于准确的预测至关重要.
- 这项研究在预测实际自杀行为方面取得了重大进展,为新的自杀预防策略铺平了道路.
