Исследователи Массачусетского технологического института смогли определить, находитесь ли вы в депрессии, с помощью ИИ.
Всем привет! Как у вас дела! Черт возьми! -
Ты король / королева ⚡️⚡️
- Что мы будем делать: узнайте, как ИИ можно использовать для прогнозирования депрессии.
- Как: использование ячеек долгосрочной краткосрочной памяти
- Исследовательская статья: http://groups.csail.mit.edu/sls/publications/2018/Alhanai_Interspeech-2018.pdf
- Код: https://github.com/talhanai/redbud-tree-depression
- Набор данных: http://dcapswoz.ict.usc.edu/
- Платформа для обучения (для нас): Deep Learning Studio
Давай нырнем!
‘‘ Стандартным методом скрининга и диагностики депрессии является опросник о состоянии здоровья пациента (PHQ), разработанный Американской психологической ассоциацией. Анкета объединяет критерии депрессии DSM-IV в краткий инструмент самоотчета, в котором спрашивается, получает ли человек удовольствие от выполнения дел, чувствует ли он себя подавленным, усталым, имеет ли плохой аппетит, проблемы с концентрацией внимания, является ли он медленным или суетливым и / или изо всех сил пытается справиться с этим. спать. ''
У людей, страдающих депрессией, есть некоторые общие черты. Никто из них не будет в восторге от своей работы. Такие люди большую часть времени чувствуют себя подавленными. То, как они отвечают, обычно несколько хуже, чем у нормального человека.
Что ж, тогда нам нужно им помочь!
Чем может помочь этот документ?
Людей, страдающих депрессией, от нескольких недель до многих лет беспокоит изнурительная печаль. Чтобы вылечить депрессивных людей, им необходимо сначала поставить диагноз. Чтобы получить диагноз, депрессивные люди должны активно обращаться к специалистам в области психического здоровья. В действительности депрессивным может быть трудно привлечь профессиональное внимание из-за ограничений мобильности, стоимости и мотивации. Пассивный автоматизированный мониторинг человеческого общения может устранить эти ограничения и обеспечить лучший скрининг на депрессию.
Процесс выявления депрессии в этой исследовательской работе выглядит следующим образом:
- Соберите данные о депрессивных и нормальных людях с сайта http://dcapswoz.ict.usc.edu /
- ‘‘ Мы использовали аудио- и текстовые расшифровки 142 человек, прошедших обследование на депрессию с помощью управляемого человеком виртуального агента. Виртуальный агент подсказывал каждому человеку подмножество из 170 возможных запросов, которые включали прямые вопросы (например, «Как дела?», «Считаете ли вы себя интровертом?») И диалогическую обратную связь (например, «Я вижу», » звучит здорово »). Данные были взяты из общедоступного корпуса анализа бедствия и интервью (DAIC) и содержат звуковые и текстовые расшифровки разговоров. Данные были разделены на наборы для обучения (57%, 107 субъектов), развития (19%, 35 субъектов) и тестов (25%, 47 субъектов), как указано в. Аннотации набора тестов не были предоставлены в общедоступном выпуске DAIC, поэтому все модели оценивались на наборе для разработки. ’’
Модель глубокого обучения:
В этой статье обсуждаются 3 типа подходов:
Эксперимент 1: моделирование без контекста
Эксперимент 2: взвешенное моделирование
Эксперимент 3. Моделирование последовательности
мы ограничиваем эту статью только последовательным моделированием.
Поскольку набор данных представляет собой набор последовательностей, исследователи использовали LSTM (сети с долгосрочной и краткосрочной памятью), которые обладают самой современной производительностью для любых задач, связанных с последовательностью.
Они обучили два LSTM, то есть один для извлечения классификации из текста, а другой для извлечения информации из видео.
Выходные данные обеих моделей объединяются и передаются в нейронную сеть прямого распространения.
Функции
Возможности - это либо статистика аудио на уровне сегмента, либо встраивание слов в сегмент с помощью doc2vec. Функции аудио более высокого уровня (среднее, максимальное, минимальное, среднее, стандартное) были извлечены с использованием функций COVAREP и FORMNAT, представленных в корпусе, а вложения doc2vec были сгенерированы с использованием этого скрипта. Я тренировался, используя двоичные результаты, а также результаты нескольких классов.
Обучим модель в DLS.
Вам необходимо загрузить загруженный набор данных в DLS. Если вы не знакомы, проверьте это:
Каковы результаты этой статьи?
Так что да, ребята! Вот как с помощью ИИ можно предсказать, что человек находится в депрессии. Эта модель может быть развернута в любом приложении Android / IOS, и, следовательно, любой, у кого есть телефон, может диагностировать себя.
Особая благодарность автору статьи 😃
Спасибо всем за то, что прочитали. Если вам понравилась эта статья, сделайте 👏, чтобы даже другие могли наткнуться на нее.
Спасибо!
Подпишитесь на мой канал на YouTube, чтобы узнать больше!
Следуй за мной в linkedin:
