論文の概要: Multimodal Depression Severity Prediction from medical bio-markers using
Machine Learning Tools and Technologies
- arxiv url: http://arxiv.org/abs/2009.05651v2
- Date: Tue, 6 Oct 2020 06:42:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:00:13.206239
- Title: Multimodal Depression Severity Prediction from medical bio-markers using
Machine Learning Tools and Technologies
- Title(参考訳): 機械学習ツールと技術を用いた医療バイオマーカーからのマルチモーダルうつ病重症度予測
- Authors: Shivani Shimpi, Shyam Thombre, Snehal Reddy, Ritik Sharma, Srijan
Singh
- Abstract要約: うつ病は世界中の精神疾患の主要な原因となっている。
近年,うつ病の診断とステージ予測の自動化に行動的手がかりが用いられている。
ラベル付き行動データセットの欠如と、膨大な量のバリエーションが、タスクを達成する上で大きな課題であることが証明されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Depression has been a leading cause of mental-health illnesses across the
world. While the loss of lives due to unmanaged depression is a subject of
attention, so is the lack of diagnostic tests and subjectivity involved. Using
behavioural cues to automate depression diagnosis and stage prediction in
recent years has relatively increased. However, the absence of labelled
behavioural datasets and a vast amount of possible variations prove to be a
major challenge in accomplishing the task. This paper proposes a novel Custom
CM Ensemble approach and focuses on a paradigm of a cross-platform smartphone
application that takes multimodal inputs from a user through a series of
pre-defined questions, sends it to the Cloud ML architecture and conveys back a
depression quotient, representative of its severity. Our app estimates the
severity of depression based on a multi-class classification model by utilizing
the language, audio, and visual modalities. The given approach attempts to
detect, emphasize, and classify the features of a depressed person based on the
low-level descriptors for verbal and visual features, and context of the
language features when prompted with a question. The model achieved a precision
value of 0.88 and an accuracy of 91.56%. Further optimization reveals the
intramodality and intermodality relevance through the selection of the most
influential features within each modality for decision making.
- Abstract(参考訳): うつ病は世界中の精神疾患の主要な原因となっている。
無管理のうつ病による生命の喪失は注意すべき課題であるが、診断テストや主観性が欠如している。
近年,うつ病の診断とステージ予測の自動化に行動的手がかりが用いられている。
しかし、ラベル付きビヘイビアデータセットと膨大なバリエーションがないことは、タスクを達成する上で大きな課題であることを示している。
本稿では,ユーザからのマルチモーダルな入力を一連の事前定義された質問を通じて受け取り,それをCloud MLアーキテクチャに送信し,その厳密さを代表する抑うつ商を返送するクロスプラットフォームスマートフォンアプリケーションのパラダイムに焦点を当てた,新しいカスタムCMアンサンブルアプローチを提案する。
本アプリは,多クラス分類モデルに基づく抑うつの重症度を,言語,音声,視覚的モダリティを用いて推定する。
与えられたアプローチは、言語的特徴と視覚的特徴の低レベル記述子と、質問によって促された言語特徴のコンテキストに基づいて、抑うつ者の特徴を検出し、強調し、分類しようとする。
このモデルは0.88の精度と91.56%の精度を達成した。
さらなる最適化は、意思決定の各モダリティにおいて最も影響力のある特徴の選択を通じて、モダリティ内およびモダリティ間の関係を明らかにする。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - The Relationship Between Speech Features Changes When You Get Depressed:
Feature Correlations for Improving Speed and Performance of Depression
Detection [69.88072583383085]
この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。
このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
論文 参考訳(メタデータ) (2023-07-06T09:54:35Z) - DEPAC: a Corpus for Depression and Anxiety Detection from Speech [3.2154432166999465]
本稿では、うつ病と不安スクリーニングツールの確立したしきい値に基づいてラベル付けされた、心的苦痛分析オーディオデータセットDEPACを紹介する。
この大きなデータセットは、個人ごとの複数の音声タスクと、関連する人口統計情報から構成される。
人間の音声における精神疾患の徴候の同定に有効な,手作業による音響的特徴と言語的特徴からなる特徴セットを提案する。
論文 参考訳(メタデータ) (2023-06-20T12:21:06Z) - What Symptoms and How Long? An Interpretable AI Approach for Depression
Detection in Social Media [0.5156484100374058]
うつ病は最も一般的で深刻な精神疾患であり、重大な財政的・社会的影響をもたらす。
本研究は、ソーシャルメディアにおける抑うつ検出のための新しい解釈可能な深層学習モデルを用いて、IS文献に寄与する。
論文 参考訳(メタデータ) (2023-05-18T20:15:04Z) - Dynamic Graph Representation Learning for Depression Screening with
Transformer [13.551342607089184]
ソーシャルメディアプラットフォームは、メンタルヘルスを調査し、精神疾患の事例を検出する研究機会を提供する。
既存の抑うつ検出手法は,特徴工学への依存と時間的要因の考慮の欠如により制約される。
提案するContrastEgoは,各ユーザを動的時間進化型属性グラフ(ego-network)として扱う。
ContrastEgoは、様々な実験環境におけるすべての有効性指標において、最先端の手法を著しく上回っていることを示す。
論文 参考訳(メタデータ) (2023-05-10T20:34:40Z) - Leveraging Pretrained Representations with Task-related Keywords for
Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。
事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。
本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文 参考訳(メタデータ) (2023-03-14T16:03:28Z) - Cost-effective Models for Detecting Depression from Speech [4.269268432906194]
うつ病は最も一般的な精神障害であり、世界中で障害や自殺の原因と考えられている。
ヒトの音声におけるうつ病の徴候を検出することができるシステムは、この疾患に苦しむ個人に対して、タイムリーかつ効果的なメンタルヘルスの確保に寄与することができる。
論文 参考訳(メタデータ) (2023-02-18T02:46:21Z) - Semantic Similarity Models for Depression Severity Estimation [53.72188878602294]
本稿では、ソーシャルメディアの文章に基づいて、個人のうつ病の重症度を研究するための効率的なセマンティックパイプラインを提案する。
我々は,抑うつ症状と重度レベルに対応する代表訓練文の指標に対して意味的ランキングを生成するために,テストユーザ文を使用する。
本手法を2つのRedditベースのベンチマークで評価し,うつ病の重症度を指標として,最先端技術よりも30%改善した。
論文 参考訳(メタデータ) (2022-11-14T18:47:26Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z) - Multi-modal Depression Estimation based on Sub-attentional Fusion [29.74171323437029]
うつ病の診断に失敗すると、世界中で2億8000万人以上がこの精神疾患に苦しんでいる。
マルチモーダルデータからうつ病を自動的に識別するタスクに取り組む。
異種情報をリンクするためのサブアテンション機構を導入する。
論文 参考訳(メタデータ) (2022-07-13T13:19:32Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2020-12-05T05:14:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。