改进的启发式算法和多尺度特征集成的自适应机制与残余GRU用于心理健康识别的情绪与心理健康识别
Suruchi Gaurav Dedgaonkar1, Pradnya Vaibhav Kulkarni2, Ratnmala Nivrutti Bhimanpallewar1
1Vishwakarma Institute of Technology, Pune, 411037 India.
Cognitive neurodynamics
|August 4, 2025
概括
这项研究介绍了一种适应性深度学习模型,用于准确地从文本中识别心理健康和情绪. 基于多尺度融合特征的新型自适应残留隔离复发单元 (MFF-ARGRU) 模型增强了精神疾病的早期诊断和治疗.
科学领域:
- 计算语言学 计算语言学
- 人工智能的人工智能
- 心理健康信息学心理健康信息学
背景情况:
- 精神疾病对全球福祉产生重大影响,需要早期和准确的识别才能进行有效的治疗.
- 推迟诊断心理健康状况可能导致严重的行为问题,自杀念头和死亡率.
- 情绪和心理健康识别的自动化系统对于及时干预至关重要.
研究的目的:
- 从文本数据开发一个自适应的深度学习模型,用于自动识别情绪和心理健康.
- 提高精神疾病识别的精度,以改善早期治疗策略.
- 为分析人类精神状态引入一种新的深度学习架构.
主要方法:
- 从公共在线来源收集的文本数据经过了预处理,以删除不相关信息.
- 使用双向长期短期记忆与层次关注 (BiLSTM-HA),术语频率-反向文档频率 (TF-1DF) 和GloVe嵌入式进行特征提取.
- 一个基于多尺度融合特征的新型自适应残留门循环单元 (MFF-ARGRU) 模型被用于情绪识别,超参数通过改进的随机变量基于雕塑优化算法 (IRV-SOA) 进行优化.
主要成果:
- 与基线方法相比,拟议的MFF-ARGRU模型在分析人类精神状态方面表现优异.
- 该系统在识别情绪和从文本中识别心理健康状况方面取得了很高的准确性.
- 使用各种绩效指标的验证证实了开发的识别模型的有效性.
结论:
- 适应性深度学习模型为准确和早期发现心理健康问题的有希望的方法.
- 结合先进的特征提取和优化,MFF-ARGRU架构显著改善了心理状态分析.
- 这种自动化系统有潜力帮助临床医生及时提供个性化的心理健康护理.
