利用时间感应路径神经网络进行准确的基于语音的抑郁症分类:分析语音模式以识别心理健康状态的详细方法
K Ashok Kumar1, Narsaiah Domala2, Vijaya Kumar Sajjan3
1Department of Electronics and Communication Engineering, Bhoj Reddy Engineering College for Women, Hyderabad, Telangana.
Journal of voice : official journal of the Voice Foundation
|November 20, 2025
概括
这项研究引入了一个基于语音的抑郁症分类系统 (AVA-TIPNN-DD),使用时间感应路径神经网络. 这种新的方法通过语音模式准确地检测抑郁症,为心理健康评估提供了一个有希望的解决方案.
科学领域:
- 人工智能的人工智能
- 计算语言学 计算语言学
- 精神病学是一个精神病学.
背景情况:
- 抑郁症是一种普遍存在的精神疾病,影响情绪和行为,往往导致严重的生活困难.
- 由于等待时间长且费用高,人们对寻求精神病治疗的犹是治疗的障碍.
- 准确和可访问的诊断工具对于及时干预和抑郁症管理至关重要.
研究的目的:
- 提出一种新的基于语音的抑郁症分类系统,名为AVA-TIPNN-DD.
- 利用时间感应路径神经网络 (TIPNNs) 来分析语音模式以识别心理健康状态.
- 通过使用二进制战斗皇家算法进行优化来提高TIPNN的性能.
主要方法:
- 语音录音被收集并使用Koopman Kalman粒子过器进行预处理,用于音频清洁.
- 频谱特征 (功率频谱密度,光谱功率,光谱中心体,光谱平面度测量) 通过使用多目标匹配的同步挤压形变换来提取.
- 提取的特征被输入了一个优化的TIPNN (使用二进制战斗皇家算法) 进行抑郁症分类.
主要成果:
- 该AVA-TIPNN-DD方法实现了高性能指标:准确率为99.26%,精度为99.5%,灵敏度为99.6%,F1-Score为99.5%.
- 与DSS-DD-CNN,TBFA-DD-FFANN和SVR-DD-DRN等现有方法相比,拟的系统表现出优越的性能.
- 二元战斗皇家优化器有效地改进了TIPNN的参数优化,以准确检测抑郁.
结论:
- AVA-TIPNN-DD系统为抑郁症分类提供了一个高度准确和高效的基于语音的方法.
- 该方法通过提供潜在的低成本和及时的诊断工具来解决心理健康护理中的可访问性问题.
- 语音分析对于早期发现和治疗抑郁症有很大的潜力.
