論文の概要: Generalized Dilated CNN Models for Depression Detection Using Inverted Vocal Tract Variables

• arxiv url: http://arxiv.org/abs/2011.06739v3
• Date: Fri, 9 Apr 2021 04:29:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 00:36:35.963529
• Title: Generalized Dilated CNN Models for Depression Detection Using Inverted Vocal Tract Variables
• Title（参考訳）: 逆声道変動を用いた抑うつ検出のための一般化拡張CNNモデル
• Authors: Nadee Seneviratne, Carol Espy-Wilson
• Abstract要約: 声帯バイオマーカーを用いた抑うつ検出は高度に研究されている分野である。 既存の研究の発見は主に、結果の一般化性を制限する単一のデータベース上で検証されている。 拡張コニキュラルニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。
• 参考スコア（独自算出の注目度）: 4.050982413149992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression detection using vocal biomarkers is a highly researched area. Articulatory coordination features (ACFs) are developed based on the changes in neuromotor coordination due to psychomotor slowing, a key feature of Major Depressive Disorder. However findings of existing studies are mostly validated on a single database which limits the generalizability of results. Variability across different depression databases adversely affects the results in cross corpus evaluations (CCEs). We propose to develop a generalized classifier for depression detection using a dilated Convolutional Neural Network which is trained on ACFs extracted from two depression databases. We show that ACFs derived from Vocal Tract Variables (TVs) show promise as a robust set of features for depression detection. Our model achieves relative accuracy improvements of ~10% compared to CCEs performed on models trained on a single database. We extend the study to show that fusing TVs and Mel-Frequency Cepstral Coefficients can further improve the performance of this classifier.
• Abstract（参考訳）: 声帯バイオマーカーを用いた抑うつ検出は高い研究領域である。 調音調整機能(acfs)は、主うつ病障害の重要な特徴である精神運動の減速による神経運動の協調の変化に基づいて発達する。 しかし、既存の研究の結果は、結果の一般化性を制限する単一のデータベース上で検証されている。 異なるうつ病データベース間の変動は、クロスコーパス評価(CCE)の結果に悪影響を及ぼす。 本稿では,2つの抑うつデータベースから抽出したACFに基づいて学習した拡張畳み込みニューラルネットワークを用いた抑うつ検出のための一般化分類器を提案する。 我々は,声道変動(TV)から派生したACFが,抑うつ検出のための堅牢な特徴セットとして有望であることを示す。 本モデルでは,1つのデータベース上で学習したモデル上で行ったCCEと比較して,相対精度が約10%向上した。 本研究は,Fusing TVとMel-Frequency Cepstral Coefficientsにより,この分類器の性能をさらに向上させることができることを示す。

関連論文リスト

• STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data [12.344849949026989]
  時間的特徴と空間的特徴の両方を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間アグリゲーションネットワーク(STANet)を提案する。 実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。
  論文  参考訳（メタデータ） (2024-07-31T04:06:47Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• 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)
• 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)
• Deep Temporal Modelling of Clinical Depression through Social Media Text [1.513693945164213]
  ユーザの時間的ソーシャルメディア投稿に基づいて,ユーザレベルの臨床うつ病を検出するモデルを構築した。 本モデルでは,うつ病症状に対する医用注釈付きツイートの最大のサンプルをもとに訓練した,うつ病検出(DSD)分類器を用いた。
  論文  参考訳（メタデータ） (2022-10-28T18:31:52Z)
• DECK: Behavioral Tests to Improve Interpretability and Generalizability of BERT Models Detecting Depression from Text [4.269268432906194]
  テキストからうつ病を正確に検出するモデルは、パンデミック後の精神疾患に対処するための重要なツールである。 BERTベースの分類器の有望な性能と市販の可用性は、このタスクの優れた候補となる。 DeCK(Depression ChecKlist)は、抑うつ特異的なモデル行動テストで、より優れた解釈性を実現する。
  論文  参考訳（メタデータ） (2022-09-12T14:39:46Z)
• Speech based Depression Severity Level Classification Using a Multi-Stage Dilated CNN-LSTM Model [5.419077350924331]
  抑うつ分類タスクを重症度レベルの分類問題として定式化し、分類結果により粒度を提供する。 我々は,精神運動の減速によって生じる神経運動の調整の変化を捉えるために,調音コーディネート機能(ACF)を開発した。
  論文  参考訳（メタデータ） (2021-04-09T05:10:08Z)
• 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)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。