Dieses Modell, das in einem Artikel in Mobile Networks and Applications vorgestellt wurde, wurde darauf trainiert, Emotionen bei Menschen zu erkennen
"Multiinformationsmodell des gemeinsamen AlgorithmusEntscheidungsfindung entsteht durch Emotionserkennung“, schrieben Han Tian, Zhang Zhu und Xu Jing in ihrem Artikel. "Das Modell wird verwendet, um repräsentative Daten über Probanden zu analysieren und bei der Diagnose von Depressionen bei Probanden zu helfen."
Tian und seine Kollegen trainierten ihr Modell zum SetzenDAIC-WOZ-Daten, eine Reihe von Audio- und 3D-Gesichtsausdrücken von Patienten, bei denen eine depressive Störung diagnostiziert wurde, und von Menschen ohne Depression. Diese Audioaufnahmen und Gesichtsausdrücke wurden während Interviews gesammelt, die von einem virtuellen Agenten durchgeführt wurden, der verschiedene Fragen über die Stimmung und das Leben des Interviewten stellte.
„Basierend auf der Untersuchung der Sprachmerkmale von Menschen mitdepressive Störung bietet dieser Artikel eine eingehende Studie zur Diagnose von Depressionen mithilfe von Sprache basierend auf Sprachdaten aus dem DAIC-WOZ-Datensatz, schrieben Tian, Zhu und Jian in ihrer Studie. - Erstens werden Sprachinformationen vorverarbeitet, einschließlich Sprachvorverzerrung, Framing, Endpunkterkennung, Denoising usw. Zweitens wird OpenSmile verwendet, um Merkmale von Sprachsignalen zu extrahieren, und Sprachmerkmale, die Funktionen widerspiegeln können, werden eingehend untersucht und analysiert .
Um wichtige Merkmale aus der Stimme zu extrahierenRecords verwendet das Modell des Teams OpenSmile (Open Source Speech and Music Interpretation by Large Space Extraction). Es handelt sich um eine Reihe von Tools, die häufig von Informatikern verwendet werden, um Merkmale aus Audioclips zu extrahieren und diese Clips zu klassifizieren.
Die Forscher nutzten dieses Tool, umExtraktion einzelner Sprachmerkmale und ihrer Kombinationen, die normalerweise in der Sprache von Patienten mit diagnostizierter Depression zu finden sind. Anschließend verwendeten sie eine als Hauptkomponentenanalyse bekannte Technik, um die Menge der extrahierten Merkmale zu reduzieren.
Tian, Zhu und Jian bewerteten ihr Modell in der SerieTests, in denen sie ihre Fähigkeit bewerteten, depressive und nicht depressive Menschen anhand ihrer Sprachaufzeichnungen zu erkennen. Ihr Schema lieferte bemerkenswerte Ergebnisse und erkannte Depressionen mit einer Genauigkeit von 87 % bei männlichen Patienten und 87,5 % bei weiblichen Patienten.
In Zukunft Deep-Learning-Algorithmus,Das von dieser Forschergruppe entwickelte Verfahren könnte neben anderen etablierten diagnostischen Instrumenten zu einem zusätzlichen Hilfsmittel für Psychiater und Ärzte werden. Darüber hinaus könnte diese Forschung die Entwicklung ähnlicher KI-Tools zur Erkennung von Anzeichen psychischer Störungen auf der Grundlage von Sprache inspirieren.
Weiter lesen:
Zwei Fotos der Erde mit einem Unterschied von 50 Jahren wurden bei der NASA verglichen: Das fanden Wissenschaftler heraus
Wissenschaftler verpflanzten menschliches „Gehirn“ in Ratten und erzählten, was am Ende passierte
Interview mit ChatGPT bei Google für 183.000 $ Ingenieur