論文の概要: Audio Frequency-Time Dual Domain Evaluation on Depression Diagnosis

• arxiv url: http://arxiv.org/abs/2510.22225v1
• Date: Sat, 25 Oct 2025 09:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.989501
• Title: Audio Frequency-Time Dual Domain Evaluation on Depression Diagnosis
• Title（参考訳）: うつ病診断における周波数時間2次元領域の評価
• Authors: Yu Luo, Nan Huang, Sophie Yu, Hendry Xu, Jerry Wang, Colin Wang, Zhichao Liu, Chen Zeng,
• Abstract要約: 本研究は,抑うつのためのインテリジェントな評価・診断アルゴリズムを開発するために,音声を生理的信号として採用する。 実験により,うつ病診断の分類タスクにおいて,提案手法が優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 9.24018145889851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Depression, as a typical mental disorder, has become a prevalent issue significantly impacting public health. However, the prevention and treatment of depression still face multiple challenges, including complex diagnostic procedures, ambiguous criteria, and low consultation rates, which severely hinder timely assessment and intervention. To address these issues, this study adopts voice as a physiological signal and leverages its frequency-time dual domain multimodal characteristics along with deep learning models to develop an intelligent assessment and diagnostic algorithm for depression. Experimental results demonstrate that the proposed method achieves excellent performance in the classification task for depression diagnosis, offering new insights and approaches for the assessment, screening, and diagnosis of depression.
• Abstract（参考訳）: うつ病は典型的な精神疾患として、公衆衛生に大きな影響を及ぼす問題となっている。 しかし、うつ病の予防と治療は、複雑な診断手順、曖昧な基準、低い相談率など、多くの課題に直面しており、時間的評価や介入を著しく妨げている。 これらの課題に対処するために、音声を生理的信号として採用し、その周波数時間二重領域マルチモーダル特性と深層学習モデルを活用して、うつ病のインテリジェントアセスメントと診断アルゴリズムを開発した。 提案手法はうつ病診断の分類タスクにおいて優れた性能を示し,うつ病の評価,スクリーニング,診断のための新たな知見とアプローチを提供する。

関連論文リスト

• Unveiling the Landscape of Clinical Depression Assessment: From Behavioral Signatures to Psychiatric Reasoning [43.26860213892083]
  うつ病は世界中の何百万もの人に影響を及ぼす広範な精神疾患である。 ほとんどの研究は、限定的または非クリニカルな検証データに依存しており、実世界の有効性よりも複雑なモデル設計を優先することが多い。 C-MIND (C-MIND) は, 臨床神経精神医学的マルチモーダル診断データセットであり, 実際の病院訪問から2年以上経過した。 参加者は3つの構造化された精神医学タスクを完了し、情報的オーディオ、ビデオ、転写、機能的近赤外分光(fNIRS)信号が記録された専門家臨床医から最終診断を受ける。
  論文  参考訳（メタデータ） (2025-08-06T15:13:24Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Multimodal Biomarkers for Schizophrenia: Towards Individual Symptom Severity Estimation [4.599023238114995]
  本研究は,マルチモーダルアプローチによる個々の症状推定に焦点を移す。 精度と重大性を改善するために,各モードに対する一様モデルとマルチモーダル・フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-05-21T21:55:35Z)
• Exploring Facial Biomarkers for Depression through Temporal Analysis of Action Units [5.00645739858266]
  抑うつの有無で分類された被験者の映像データから表情を分析した。 その結果,グループ間の悲しみと幸福に関連するAUの強度に有意な差が認められた。
  論文  参考訳（メタデータ） (2024-07-18T17:55:01Z)
• Depression Detection on Social Media with Large Language Models [12.666554631713417]
  ソーシャルメディアプラットフォームは、早期うつ病の診断に有用なデータソースを提供する。 大規模言語モデル(LLM)を利用したフレームワークであるDORISを提案する。 医療知識を統合するため、DORISはLSMを使用して、確立された診断基準に対してユーザテキストに注釈を付ける。
  論文  参考訳（メタデータ） (2024-03-16T01:01:16Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Empowering Psychotherapy with Large Language Models: Cognitive Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
  本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。 DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。 実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
  論文  参考訳（メタデータ） (2023-10-11T02:47:21Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• 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)

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。