論文の概要: LMVD: A Large-Scale Multimodal Vlog Dataset for Depression Detection in the Wild
- arxiv url: http://arxiv.org/abs/2407.00024v1
- Date: Thu, 9 May 2024 01:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:48:25.024629
- Title: LMVD: A Large-Scale Multimodal Vlog Dataset for Depression Detection in the Wild
- Title（参考訳）: LMVD:野生における抑うつ検出のための大規模マルチモーダルVlogデータセット
- Authors: Lang He, Kai Chen, Junnan Zhao, Yimeng Wang, Ercheng Pei, Haifeng Chen, Jiewei Jiang, Shiqing Zhang, Jie Zhang, Zhongmin Wang, Tao He, Prayag Tiwari,
- Abstract要約: 野生におけるうつ病認識のための大規模マルチモーダルvlogデータセット(LMVD)が構築されている。
個人の非言語行動を学ぶためのMDDformerと呼ばれる新しいアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 35.64843242574305
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Depression can significantly impact many aspects of an individual's life, including their personal and social functioning, academic and work performance, and overall quality of life. Many researchers within the field of affective computing are adopting deep learning technology to explore potential patterns related to the detection of depression. However, because of subjects' privacy protection concerns, that data in this area is still scarce, presenting a challenge for the deep discriminative models used in detecting depression. To navigate these obstacles, a large-scale multimodal vlog dataset (LMVD), for depression recognition in the wild is built. In LMVD, which has 1823 samples with 214 hours of the 1475 participants captured from four multimedia platforms (Sina Weibo, Bilibili, Tiktok, and YouTube). A novel architecture termed MDDformer to learn the non-verbal behaviors of individuals is proposed. Extensive validations are performed on the LMVD dataset, demonstrating superior performance for depression detection. We anticipate that the LMVD will contribute a valuable function to the depression detection community. The data and code will released at the link: https://github.com/helang818/LMVD/.
- Abstract（参考訳）: 抑うつは個人の生活の多くの側面、例えば、個人的、社会的機能、学術的、仕事的パフォーマンス、そして全体の生活の質に大きく影響する。
感情コンピューティングの分野における多くの研究者は、うつ病の検出に関連する潜在的なパターンを探るため、ディープラーニング技術を採用している。
しかし、被験者のプライバシー保護の懸念から、この領域のデータはまだ乏しいため、うつ病の検知に使用される深い差別モデルに対する課題が提示されている。
これらの障害をナビゲートするために、野生でのうつ認識のための大規模マルチモーダルvlogデータセット(LMVD)が構築されている。
LMVDでは、1475人の参加者のうち214時間のサンプルが4つのマルチメディアプラットフォーム(Sina Weibo、Bilibili、Tiktok、YouTube)から収集された。
個人の非言語行動を学ぶためのMDDformerと呼ばれる新しいアーキテクチャを提案する。
LMVDデータセット上で大規模な検証を行い、抑うつ検出の優れた性能を示す。
我々は,LMVDがうつ病検出コミュニティに有用な機能をもたらすことを期待している。
データとコードはリンクで公開される。 https://github.com/helang818/LMVD/。
関連論文リスト
- We Care: Multimodal Depression Detection and Knowledge Infused Mental Health Therapeutic Response Generation [41.09752906121257]
拡張D-vlogデータセットは1,261のYouTube vlogのコレクションを含む。
本稿では,認知行動療法(Cognitive Behavioral Therapy, CBT)をベースとした, メンタルヘルス患者の初期接触として機能する仮想エージェントについて紹介する。
私たちのMistralモデルは歪み評価と分類で70.1%、30.9%、ベルトスコア88.7%を達成しました。
論文 参考訳（メタデータ） (2024-06-15T08:41:46Z) - Towards More Efficient Depression Risk Recognition via Gait [12.28595811609976]
うつ病は世界中で2億8000万人を超える人に影響を及ぼす。早期発見とタイムリーな介入は、再発の促進、再発の防止、うつ病に伴う感情的・財政的負担の軽減に不可欠である。
歩行とうつ病リスクの相関が実証的に確立されている。
この研究はまず、1200人以上の個人、40,000人の歩行シーケンスを含む大規模な歩行データベースを構築し、6つの視点と3種類の服装をカバーした。
深層学習に基づくうつ病リスク認識モデルを提案し,手作りアプローチの限界を克服した。
論文 参考訳（メタデータ） (2023-10-10T03:34:31Z) - 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) - 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) - Depression Detection Using Digital Traces on Social Media: A
Knowledge-aware Deep Learning Approach [17.07576768682415]
うつ病は世界中でよく見られる病気だ。診断は困難であり、診断が下にある。
うつ病患者は、常に症状、主要なライフイベント、治療をソーシャルメディアで共有しているため、研究者はうつ病検出のためにソーシャルメディア上でユーザー生成のデジタルトレースに目を向けている。
本稿では,抑うつリスクのあるソーシャルメディア利用者を正確に検出し,その検出に寄与する重要な要因を説明するために,Deep Knowledge-Aware Depression Detection (DKDD)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T20:08:07Z) - Subgroup discovery of Parkinson's Disease by utilizing a multi-modal
smart device system [63.20765930558542]
われわれはスマートウォッチとスマートフォンを使って、PD患者、DD、HCを含む504人の参加者のマルチモーダルデータを収集した。
様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。
論文 参考訳（メタデータ） (2022-05-12T08:59:57Z) - 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) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳（メタデータ） (2021-06-24T17:46:03Z) - 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) - 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。