基于语音的自杀风险评估的声学和机器学习方法:系统性审查

科学领域:

• * 计算精神病学和临床信息学.
• *语音信号处理和机器学习在心理健康中的应用.

背景情况:

• * 自杀是一个关键的公共卫生问题,需要加强检测和干预策略.
• *语音的声学分析为客观的自杀风险评估提供了一个潜在的途径.

研究的目的:

• *系统地审查现有的关于人工智能 (AI) 和机器学习 (ML) 的文献,以使用语音声学进行自杀风险评估.
• * 评估各种声学特征和机器学习模型在区分自杀风险 (RS) 个人与无风险 (NRS) 个人的有效性.

主要方法:

• * 系统审查遵循PRISMA指南,分析来自主要科学数据库 (PubMed,Cochrane,Scopus,Web of Science) 的33篇文章.
• *纳入标准侧重于分析与自杀风险相关的声学特征的研究,不包括缺乏声学数据或方法严格性的研究.
• *使用PROBAST工具评估了偏差风险.

主要成果:

• * 一致地确定了RS和NRS组之间的显著声学变化,特别是动,基本频率 (F0),Mel频率切普斯特拉系数 (MFCC) 和功率光谱密度 (PSD).
• *机器学习分类器表现出可变的性能 (AUC 0.62-0.985,准确度60%-99.85%),多式联络方法显示出优异的结果.
• *指出了偏好NRS的不平衡数据集的普遍性和对特定群体绩效指标的有限报告.

结论:

• *AI和ML有潜力通过声学语音分析来检测自杀风险,突出特定的声学标记.
• * 方法不一致,样本大小限制和类不平衡需要进一步研究,以提高临床有效性和通用性.
• *未来的研究应该专注于解决这些局限性,以提高AI驱动的自杀风险评估工具的可靠性和适用性.