Este modelo, presentado en un artículo en Mobile Networks and Applications, fue entrenado para reconocer emociones en seres humanos.
"Modelo de información múltiple del algoritmo conjuntola toma de decisiones se crea a través del reconocimiento de emociones”, escribieron Han Tian, Zhang Zhu y Xu Jing en su artículo. "El modelo se está utilizando para analizar datos representativos sobre sujetos y para ayudar a diagnosticar la depresión en los sujetos".
Tian y sus colegas entrenaron a su modelo para establecerDatos DAIC-WOZ, un conjunto de audio y expresiones faciales en 3D de pacientes diagnosticados con un trastorno depresivo y personas sin depresión. Estas grabaciones de audio y expresiones faciales fueron recopiladas durante entrevistas realizadas por un agente virtual que hizo varias preguntas sobre el estado de ánimo y la vida del entrevistado.
“Basado en el estudio de las características del habla de las personas contrastorno depresivo, este artículo proporciona un estudio en profundidad del diagnóstico de la depresión mediante el uso del habla basado en los datos del habla del conjunto de datos DAIC-WOZ, escribieron Tian, Zhu y Jian en su estudio. - En primer lugar, la información del habla se procesa previamente, incluido el preénfasis del habla, el encuadre, la detección de puntos finales, la eliminación de ruido, etc. En segundo lugar, OpenSmile se utiliza para extraer características de las señales del habla, y las características del habla que pueden reflejar funciones se estudian y analizan en profundidad. .
Para extraer características importantes de la vozregistros, el modelo del equipo utiliza OpenSmile (interpretación de voz y música de código abierto por extracción de gran espacio). Es un conjunto de herramientas que los informáticos suelen utilizar para extraer características de los clips de audio y clasificarlos.
Los investigadores utilizaron esta herramienta paraextracción de características individuales del habla y sus combinaciones, que generalmente se encuentran en el habla de pacientes diagnosticados con depresión. Posteriormente, utilizaron una técnica conocida como Análisis de Componentes Principales para reducir el conjunto de características extraídas.
Tian, Zhu y Jian calificaron a su modelo en la seriepruebas en las que evaluaron su capacidad para detectar personas deprimidas y no deprimidas a partir de sus grabaciones de voz. Su esquema produjo resultados notables, detectando la depresión con una precisión del 87 % en pacientes masculinos y del 87,5 % en pacientes femeninas.
En el futuro, algoritmo de aprendizaje profundo,desarrollado por este grupo de investigadores puede convertirse en una herramienta auxiliar adicional para psiquiatras y médicos junto con otras herramientas de diagnóstico bien establecidas. Además, esta investigación puede inspirar el desarrollo de herramientas de IA similares para detectar signos de trastornos mentales basados en el habla.
Lee mas:
Dos fotos de la Tierra con una diferencia de 50 años fueron comparadas en la NASA: lo que encontraron los científicos
Los científicos trasplantaron el "cerebro" humano en ratas y contaron lo que sucedió al final.
ChatGPT entrevistado en Google por $ 183,000 ingeniero