論文の概要: Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data

• arxiv url: http://arxiv.org/abs/2012.02950v1
• Date: Sat, 5 Dec 2020 05:14:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 12:11:23.487071
• Title: Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data
• Title（参考訳）: 縦断データにおける抑うつ検出と予測のための深部マルチタスク学習
• Authors: Guansong Pang, Ngoc Thien Anh Pham, Emma Baker, Rebecca Bentley, Anton van den Hengel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.02223091927777
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Depression is among the most prevalent mental disorders, affecting millions of people of all ages globally. Machine learning techniques have shown effective in enabling automated detection and prediction of depression for early intervention and treatment. However, they are challenged by the relative scarcity of instances of depression in the data. In this work we introduce a novel deep multi-task recurrent neural network to tackle this challenge, in which depression classification is jointly optimized with two auxiliary tasks, namely one-class metric learning and anomaly ranking. The auxiliary tasks introduce an inductive bias that improves the classification model's generalizability on small depression samples. Further, unlike existing studies that focus on learning depression signs from static data without considering temporal dynamics, we focus on longitudinal data because i) temporal changes in personal development and family environment can provide critical cues for psychiatric disorders and ii) it may enable us to predict depression before the illness actually occurs. Extensive experimental results on child depression data show that our model is able to i) achieve nearly perfect performance in depression detection and ii) accurately predict depression 2-4 years before the clinical diagnosis, substantially outperforming seven competing methods.
• Abstract（参考訳）: うつ病は最も一般的な精神疾患の1つであり、世界中の何百万人もの年齢層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。 しかし、データ内のうつ病の例が比較的少ないことが課題となっている。 本研究では,この課題に対処するために,新しい深層マルチタスクリカレントニューラルネットワークを導入し,抑うつ分類と1クラスメトリック学習と異常ランキングの2つの補助タスクを共同で最適化する。 補助タスクは、小さなうつ病サンプルに対する分類モデルの一般化性を改善する帰納的バイアスを導入する。 また,静的なデータからうつ病徴候を経時的ダイナミクスを考慮せずに学習する既存の研究とは異なり,i)個人の発達と家族環境の時間的変化が精神疾患に重要な手がかりとなりうること,ii)うつ病が実際に起こる前に予測できることから,縦断データに注目している。 小児うつ病データによる広範囲な実験結果から, うつ病検出の精度は, 臨床診断より2～4年後のうつ病を正確に予測し, 競合する7つの方法よりかなり優れていたことが示唆された。

関連論文リスト

• Exploration of Adolescent Depression Risk Prediction Based on Census Surveys and General Life Issues [7.774933303698165]
  青年期におけるうつ病の頻度は着実に増加している。 尺度や面接に依存する従来の診断方法は、特に若者のうつ病を検出するには不十分である。 本研究では,高度不均衡な高次元データを管理する手法と,データ構造特性に合わせた適応予測手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T09:14:25Z)
• 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)
• Harnessing the Power of Hugging Face Transformers for Predicting Mental Health Disorders in Social Networks [0.0]
  本研究では、ユーザ生成データを用いて精神疾患の症状を予測する方法について検討する。 本研究は,Hugging Faceの4種類のBERTモデルと標準的な機械学習技術を比較した。 新しいモデルは、最大97%の精度で以前のアプローチより優れている。
  論文  参考訳（メタデータ） (2023-06-29T12:25:19Z)
• 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)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• 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)
• Neural Networks with Different Initialization Methods for Depression Detection [0.0]
  うつ病は世界中の様々な病気の主要な原因である。 近年の研究では、身体的特徴がうつ病の診断に大きく寄与していることが報告されている。 ニューラルネットワークは、物理的特性から抑うつを予測するために構築される。
  論文  参考訳（メタデータ） (2022-05-10T10:36:31Z)
• Data set creation and empirical analysis for detecting signs of depression from social media postings [0.0]
  うつ病は、深刻な結果を避けるために、早期に検出され治療されなければならない一般的な精神疾患である。 我々は、ソーシャルメディアの投稿から、うつ病のレベルが落ち込んでいないこと、中程度に落ち込んでいないこと、および深刻な落ち込んでいないことを検知する、金の標準データセットを開発した。
  論文  参考訳（メタデータ） (2022-02-07T10:24:33Z)
• Anxiety Detection Leveraging Mobile Passive Sensing [53.11661460916551]
  不安障害は、子供と成人の両方に影響を及ぼす最も一般的な精神医学的問題である。 スマートフォンから受動的かつ控えめなデータ収集を活用することは、古典的な方法の代替となるかもしれない。 eWellnessは、個人デバイスのセンサとユーザログデータの完全な適合性を、連続的かつ受動的に追跡するために設計された、実験的なモバイルアプリケーションである。
  論文  参考訳（メタデータ） (2020-08-09T20:22:52Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。