論文の概要: Significance of Speaker Embeddings and Temporal Context for Depression
Detection
- arxiv url: http://arxiv.org/abs/2107.13969v1
- Date: Sat, 24 Jul 2021 05:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-01 11:35:28.163371
- Title: Significance of Speaker Embeddings and Temporal Context for Depression
Detection
- Title(参考訳): 抑うつ検出のための話者埋め込みと時間文脈の意義
- Authors: Sri Harsha Dumpala, Sebastian Rodriguez, Sheri Rempel, Rudolf Uher,
Sageev Oore
- Abstract要約: 近年,音声による抑うつ検出が注目されている。
抑うつ検出における話者固有情報はまだ探索されていない。
音声からの抑うつ検出作業における話者埋め込みの重要性を解析する。
- 参考スコア(独自算出の注目度): 8.854672095411468
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Depression detection from speech has attracted a lot of attention in recent
years. However, the significance of speaker-specific information in depression
detection has not yet been explored. In this work, we analyze the significance
of speaker embeddings for the task of depression detection from speech.
Experimental results show that the speaker embeddings provide important cues to
achieve state-of-the-art performance in depression detection. We also show that
combining conventional OpenSMILE and COVAREP features, which carry
complementary information, with speaker embeddings further improves the
depression detection performance. The significance of temporal context in the
training of deep learning models for depression detection is also analyzed in
this paper.
- Abstract(参考訳): 近年,音声による抑うつ検出が注目されている。
しかし, 抑うつ検出における話者固有情報の重要性は未だ調査されていない。
本研究では,音声からの抑うつ検出作業における話者埋め込みの重要性を分析する。
実験結果から, 話者埋め込みは, 抑うつ検出における最先端性能を実現するための重要な手がかりとなることがわかった。
また,補完情報を持つ従来のOpenSMILEとCOVAREPの機能と話者埋め込みを組み合わせることで,抑うつ検出性能が向上することを示す。
本稿では,抑うつ検出のための深層学習モデルの訓練における時間的文脈の重要性について述べる。
関連論文リスト
- Self-Supervised Embeddings for Detecting Individual Symptoms of Depression [18.43207977841643]
世界の数百万人に影響を及ぼす精神疾患であるうつ病は、信頼できるアセスメントシステムを必要としている。
我々は、自己教師付き学習(SSL)ベースの音声モデルを利用して、このタスクで頻繁に遭遇する小さなデータセットをよりよく活用する。
抑うつ症状を効果的に識別するためのマルチタスク学習の重要性を示す。
論文 参考訳(メタデータ) (2024-06-25T02:35:37Z) - Predicting Individual Depression Symptoms from Acoustic Features During Speech [8.592847632589692]
現在の自動うつ病検出システムは、臨床うつ病評価尺度で示されるうつ病の個々の症状や症状に頼ることなく、直接予測を提供する。
本研究では,最後の抑うつ予測を得る前に,音声の音響的特徴を用いて抑うつ評価尺度の個々の項目を予測する。
論文 参考訳(メタデータ) (2024-06-23T03:26:47Z) - Hierarchical attention interpretation: an interpretable speech-level
transformer for bi-modal depression detection [6.561362931802501]
うつ病は一般的な精神疾患である。機械学習によって実現された音声を用いた自動うつ病検出ツールは、うつ病の早期スクリーニングに役立つ。
本稿では、セグメントレベルのラベリングによるノイズと、モデル解釈可能性の欠如という、そのようなツールの臨床的実装を妨げる可能性のある2つの制限に対処する。
論文 参考訳(メタデータ) (2023-09-23T20:48:58Z) - 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) - Depression detection in social media posts using affective and social
norm features [84.12658971655253]
ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。
我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。
提案された機能を含めると、両方の設定で最先端の結果が得られます。
論文 参考訳(メタデータ) (2023-03-24T21:26:27Z) - 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) - Climate and Weather: Inspecting Depression Detection via Emotion
Recognition [25.290414205116107]
本稿では,うつ病検出のための感情認識モデルから抽出した事前学習特徴を用いて,マルチモーダルうつ病検出を行う。
提案した感情伝達により,DAIC-WOZの抑うつ検出性能が向上し,トレーニング安定性が向上する。
論文 参考訳(メタデータ) (2022-04-29T13:44:22Z) - E-ffective: A Visual Analytic System for Exploring the Emotion and
Effectiveness of Inspirational Speeches [57.279044079196105]
E-ffective(エフェクティブ)は、音声の専門家や初心者が、音声要因の役割と効果的な音声への貢献の両方を分析することのできる視覚分析システムである。
E-spiral(音声の感情の変化を視覚的にコンパクトに表現する)とE-script(音声コンテンツを主要な音声配信情報に結びつける)の2つの新しい可視化技術がある。
論文 参考訳(メタデータ) (2021-10-28T06:14:27Z) - 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) - Affective Conditioning on Hierarchical Networks applied to Depression
Detection from Transcribed Clinical Interviews [0.0]
抑うつは、被験者の気分だけでなく、言語の使用にも影響を及ぼす精神障害である。
我々は階層的注意ネットワークを用いて抑うつ者のインタビューを分類する。
我々は,情緒的レキシカから抽出した言語的特徴の条件付け機構により,モデルの注意層を増強する。
論文 参考訳(メタデータ) (2020-06-04T20:55:22Z) - Speech Enhancement using Self-Adaptation and Multi-Head Self-Attention [70.82604384963679]
本稿では,補助的話者認識機能を用いた音声強調のための自己適応手法について検討する。
テスト発話から直接適応に用いる話者表現を抽出する。
論文 参考訳(メタデータ) (2020-02-14T05:05:36Z)
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。