論文の概要: Clinically Inspired Symptom-Guided Depression Detection from Emotion-Aware Speech Representations

• arxiv url: http://arxiv.org/abs/2602.15578v1
• Date: Tue, 17 Feb 2026 13:47:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.077028
• Title: Clinically Inspired Symptom-Guided Depression Detection from Emotion-Aware Speech Representations
• Title（参考訳）: 感情認識音声表現による症状誘導型抑うつ検出の臨床的検討
• Authors: Chaithra Nerella, Chiranjeevi Yarra,
• Abstract要約: うつ病は睡眠障害、関心の喪失、集中障害などの様々な症状によって現れる。 既存の研究の多くは、症状特異的情報を明示的にモデル化することなく、うつ病の予測をバイナリラベルまたは全体的な重症度スコアとして扱う。 音声からのうつ病重症度推定のための症状特異的かつ臨床的に着想を得た枠組みを提案する。
• 参考スコア（独自算出の注目度）: 6.043112894299487
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Depression manifests through a diverse set of symptoms such as sleep disturbance, loss of interest, and concentration difficulties. However, most existing works treat depression prediction either as a binary label or an overall severity score without explicitly modeling symptom-specific information. This limits their ability to provide symptom-level analysis relevant to clinical screening. To address this, we propose a symptom-specific and clinically inspired framework for depression severity estimation from speech. Our approach uses a symptom-guided cross-attention mechanism that aligns PHQ-8 questionnaire items with emotion-aware speech representations to identify which segments of a participant's speech are more important to each symptom. To account for differences in how symptoms are expressed over time, we introduce a learnable symptom-specific parameter that adaptively controls the sharpness of attention distributions. Our results on EDAIC, a standard clinical-style dataset, demonstrate improved performance outperforming prior works. Further, analyzing the attention distributions showed that higher attention is assigned to utterances containing cues related to multiple depressive symptoms, highlighting the interpretability of our approach. These findings outline the importance of symptom-guided and emotion-aware modeling for speech-based depression screening.
• Abstract（参考訳）: うつ病は睡眠障害、関心の喪失、集中障害などの様々な症状によって現れる。 しかしながら、既存のほとんどの研究は、症状特異的情報を明示的にモデル化することなく、うつ病の予測をバイナリラベルまたは全体的な重症度スコアとして扱う。 これにより、臨床検診に関連する症状レベル分析を提供する能力が制限される。 そこで本研究では,抑うつ重症度推定のための症状特異的かつ臨床的に着想を得たフレームワークを提案する。 提案手法では, PHQ-8 の質問項目と感情認識型音声表現とを一致させて, 参加者の発話のどのセグメントがより重要かを特定する。 症状が時間とともにどのように表現されるかの違いを考慮し,注意分布の鋭さを適応的に制御する,学習可能な症状特異的パラメータを導入する。 標準臨床スタイルのデータセットであるEDAICの成績は,先行研究よりも優れた性能を示した。 さらに, 注意分布を解析したところ, 複数の抑うつ症状に関連する手がかりを含む発話に高い注意が割り当てられており, 本手法の解釈可能性を強調した。 これらの知見は, 抑うつスクリーニングにおける症状誘導および感情認識モデルの重要性を概説している。

関連論文リスト

• DepFlow: Disentangled Speech Generation to Mitigate Semantic Bias in Depression Detection [54.209716321122194]
  抑うつ条件付きテキスト音声合成フレームワークであるDepFlowについて述べる。 抑うつ音響カモフラージュは、対向訓練を通じて話者と内容不変の抑うつ埋め込みを学習する。 フローマッチングTTSモデルとFiLM変調はこれらの埋め込みを合成に注入し、うつ病の重症度を制御する。 プロトタイプベースの重度マッピング機構は、うつ病連続体を滑らかかつ解釈可能な操作を提供する。
  論文  参考訳（メタデータ） (2026-01-01T10:44:38Z)
• 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)
• KNSE: A Knowledge-aware Natural Language Inference Framework for Dialogue Symptom Status Recognition [69.78432481474572]
  症状状態認識(SSR)のための新しいフレームワークKNSEを提案する。 対話ウィンドウ内の各症状について、まず、症状の状態に関する症状と仮説に関する知識を生成し、(前提、知識、仮説)三重項を形成する。 次にBERTモデルを使用して三重項を符号化し、さらに発話アグリゲーション、自己アテンション、横断アテンション、GRUなどのモジュールで処理して症状状態を予測する。
  論文  参考訳（メタデータ） (2023-05-26T11:23:26Z)
• 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)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Symptom Identification for Interpretable Detection of Multiple Mental Disorders [22.254532020321925]
  ソーシャルメディアからの精神疾患の検出は、一般化性や解釈性に乏しい。 PsySymは,多発性精神疾患の最初の症状同定コーパスである。
  論文  参考訳（メタデータ） (2022-05-23T13:51:48Z)
• 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)
• 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)
• Pose-based Body Language Recognition for Emotion and Psychiatric Symptom Interpretation [75.3147962600095]
  通常のRGBビデオから始まるボディーランゲージに基づく感情認識のための自動フレームワークを提案する。 心理学者との連携により,精神症状予測の枠組みを拡張した。 提案されたフレームワークの特定のアプリケーションドメインは限られた量のデータしか供給しないため、フレームワークは小さなトレーニングセットで動作するように設計されている。
  論文  参考訳（メタデータ） (2020-10-30T18:45:16Z)

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。