論文の概要: Multi-modal Depression Estimation based on Sub-attentional Fusion
- arxiv url: http://arxiv.org/abs/2207.06180v1
- Date: Wed, 13 Jul 2022 13:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 15:33:35.383411
- Title: Multi-modal Depression Estimation based on Sub-attentional Fusion
- Title(参考訳): sub-attentional fusion に基づくマルチモーダル抑うつ推定
- Authors: Ping-Cheng Wei, Kunyu Peng, Alina Roitberg, Kailun Yang, Jiaming
Zhang, Rainer Stiefelhagen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 29.74171323437029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Failure to timely diagnose and effectively treat depression leads to over 280
million people suffering from this psychological disorder worldwide. The
information cues of depression can be harvested from diverse heterogeneous
resources, e.g., audio, visual, and textual data, raising demand for new
effective multi-modal fusion approaches for its automatic estimation. In this
work, we tackle the task of automatically identifying depression from
multi-modal data and introduce a sub-attention mechanism for linking
heterogeneous information while leveraging Convolutional Bidirectional LSTM as
our backbone. To validate this idea, we conduct extensive experiments on the
public DAIC-WOZ benchmark for depression assessment featuring different
evaluation modes and taking gender-specific biases into account. The proposed
model yields effective results with 0.89 precision and 0.70 F1-score in
detecting major depression and 4.92 MAE in estimating the severity. Our
attention-based fusion module consistently outperforms conventional late fusion
approaches and achieves a competitive performance compared to the previously
published depression estimation frameworks, while learning to diagnose the
disorder end-to-end and relying on far less preprocessing steps.
- Abstract(参考訳): うつ病をタイムリーに診断し効果的に治療できないと、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。
うつ病に関する情報の手がかりは、音声、視覚、テキストデータなどの多様な異種資源から収集することができ、その自動推定のために新しい効果的なマルチモーダル融合アプローチの需要が高まる。
本研究では,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み,畳み込み双方向LSTMをバックボーンとして活用しながら異種情報をリンクするサブアテンション機構を導入する。
この概念を検証するために,様々な評価モードを特徴とし,性別固有のバイアスを考慮に入れて,duc-wozベンチマークによる抑うつ評価を広範囲に実施する。
提案モデルでは, 大うつ病の検出に0.89精度と0.70F1スコア, 重症度推定に4.92MAEが有効である。
注意に基づくフュージョンモジュールは,従来のレイト・フュージョン・アプローチを一貫して上回っており,先行した抑うつ推定フレームワークに比べて競争性能が向上する一方で,障害をエンドツーエンドで診断し,はるかに少ない前処理ステップに依存することを学習している。
関連論文リスト
- 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) - Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical
Fusion for Multimodal Affect Recognition [69.32305810128994]
モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。
本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。
HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
論文 参考訳(メタデータ) (2023-05-23T01:24:15Z) - Reliable Multimodality Eye Disease Screening via Mixture of Student's t
Distributions [49.4545260500952]
眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。
本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。
パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
論文 参考訳(メタデータ) (2023-03-17T06:18:16Z) - Undersampling and Cumulative Class Re-decision Methods to Improve
Detection of Agitation in People with Dementia [16.949993123698345]
消化は認知症(PwD)で最も多い症状の1つである。
前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。
本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
論文 参考訳(メタデータ) (2023-02-07T03:14:00Z) - Depression Diagnosis and Analysis via Multimodal Multi-order Factor
Fusion [4.991507302519828]
うつ病は世界中で主要な死因であり、うつ病の診断は簡単ではない。
うつ病の自動診断のためのMMFF法を提案する。
論文 参考訳(メタデータ) (2022-12-31T17:13:06Z) - Am I No Good? Towards Detecting Perceived Burdensomeness and Thwarted
Belongingness from Suicide Notes [51.378225388679425]
本稿では,自殺ノートから知覚的バーデンサムネス(PB)とThwarted Belongingness(TB)を検出する新しい課題に対処するエンドツーエンドマルチタスクシステムを提案する。
また、ベンチマークCEASE-v2.0データセットに基づいて、手動で翻訳したコード混合自殺メモコーパス、CoMCEASE-v2.0を導入する。
自殺ノートの時間方向と感情情報を利用して全体のパフォーマンスを向上する。
論文 参考訳(メタデータ) (2022-05-20T06:31:08Z) - Prediction of Depression Severity Based on the Prosodic and Semantic
Features with Bidirectional LSTM and Time Distributed CNN [14.994852548758825]
抑うつ予測のための注意に基づくマルチモーダリティ音声とテキスト表現を提案する。
本モデルは,OzデータセットのDistress Analysis Interview Corpus-Wizardを用いて,参加者のうつ病重症度を推定するために訓練された。
実験では、過去の研究よりも統計的に有意な改善が見られた。
論文 参考訳(メタデータ) (2022-02-25T01:42:29Z) - 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 Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2020-09-25T01:50:15Z) - Multimodal Depression Severity Prediction from medical bio-markers using
Machine Learning Tools and Technologies [0.0]
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。
論文 参考訳(メタデータ) (2020-09-11T20:44:28Z)
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。