論文の概要: Self-Supervised Embeddings for Detecting Individual Symptoms of Depression
- arxiv url: http://arxiv.org/abs/2406.17229v1
- Date: Tue, 25 Jun 2024 02:35:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-26 16:01:10.851894
- Title: Self-Supervised Embeddings for Detecting Individual Symptoms of Depression
- Title（参考訳）: うつ病の症状検出のための自己監督型埋め込み
- Authors: Sri Harsha Dumpala, Katerina Dikaios, Abraham Nunes, Frank Rudzicz, Rudolf Uher, Sageev Oore,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.43207977841643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Depression, a prevalent mental health disorder impacting millions globally, demands reliable assessment systems. Unlike previous studies that focus solely on either detecting depression or predicting its severity, our work identifies individual symptoms of depression while also predicting its severity using speech input. We leverage self-supervised learning (SSL)-based speech models to better utilize the small-sized datasets that are frequently encountered in this task. Our study demonstrates notable performance improvements by utilizing SSL embeddings compared to conventional speech features. We compare various types of SSL pretrained models to elucidate the type of speech information (semantic, speaker, or prosodic) that contributes the most in identifying different symptoms. Additionally, we evaluate the impact of combining multiple SSL embeddings on performance. Furthermore, we show the significance of multi-task learning for identifying depressive symptoms effectively.
- Abstract（参考訳）: 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。
うつ病を検知するか、その重症度を予測することだけに焦点を当てた従来の研究とは異なり、我々の研究はうつ病の個々の症状を特定しつつ、その重症度を音声入力を用いて予測する。
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。
本研究は,従来の音声機能と比較して,SSLの埋め込みによる顕著な性能向上を示す。
種々のSSL事前訓練モデルを比較して,症状の識別に最も寄与する音声情報(意味的,話者的,韻律的)のタイプを解明する。
さらに、複数のSSL埋め込みを組み合わせることがパフォーマンスに与える影響を評価する。
さらに,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。
関連論文リスト
- They Look Like Each Other: Case-based Reasoning for Explainable Depression Detection on Twitter using Large Language Models [3.5904920375592098]
ProtoDepはTwitterベースの抑うつ検出のための新しい説明可能なフレームワークである。
ProtoDepは、(i)ツイートとユーザ毎の症状レベルの説明、(ii)ユーザと類似した個人を比較したケースベースの説明、(iii)分類重みによる透明な意思決定の3つのレベルで透明な説明を提供する。
論文 参考訳（メタデータ） (2024-07-21T20:13:50Z) - Exploring the Task-agnostic Trait of Self-supervised Learning in the Context of Detecting Mental Disorders [2.314534951601432]
自己教師付き学習(SSL)は、様々な領域にまたがるタスクに依存しない表現を生成するために研究されている。
この研究では、複数の固定されたターゲットまたはマスクされたフレームを予測することでトレーニングされたSSLモデルを採用する。
本稿では,MDDおよびPTSDの検出において,生成した表現をより効率的にするための固定目標のリストを提案する。
論文 参考訳（メタデータ） (2024-03-22T12:46:58Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - 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) - 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) - Why does Self-Supervised Learning for Speech Recognition Benefit Speaker
Recognition? [86.53044183309824]
話者関連課題における自己教師型学習の成功につながる要因について検討する。
Voxceleb-1データセットにおける実験結果から,SVタスクに対するSSLの利点は,マスクによる予測損失,データスケール,モデルサイズの組み合わせによるものであることが示唆された。
論文 参考訳（メタデータ） (2022-04-27T08:35:57Z) - Speech and the n-Back task as a lens into depression. How combining both
may allow us to isolate different core symptoms of depression [12.251313610613693]
その結果,抑うつ症状のサブセットと音声変化が強く関連していることが示唆された。
我々はTymiaで収集された新しい大規模・横断的・多モードデータセットを提案する。
次に、PHQ-8項目レベルで異なる音声とn-Backマーカーの関係を明らかにする実験のセットを示す。
論文 参考訳（メタデータ） (2022-03-30T09:12:59Z) - Membership Inference Attacks Against Self-supervised Speech Models [62.73937175625953]
連続音声における自己教師付き学習(SSL)が注目されている。
ブラックボックスアクセス下でのMIA(Commanship Inference Attacks)を用いたSSL音声モデルに対する最初のプライバシ分析を行う。
論文 参考訳（メタデータ） (2021-11-09T13:00:24Z) - 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) - Identifying Depressive Symptoms from Tweets: Figurative Language Enabled
Multitask Learning Framework [6.306293318976695]
本研究の目的は,抑うつ的トリアージレベルを確実に決定するための意思決定支援システム(DSS)の設計と評価である。
ツイートに対する280文字の制限は、発話における創造的なアーティファクトの使用を動機付けているため、ツイートからの抑うつ症状の信頼性の高い検出は難しい。
本稿では,新しいBERTベースのマルチタスク学習フレームワークを提案し,画像的使用検出の補助的タスクを用いて抑うつ症状を正確に識別する。
論文 参考訳（メタデータ） (2020-11-12T01:17:49Z)
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。