Tämä malli, joka esiteltiin Mobile Networks and Applications -julkaisussa, opetettiin tunnistamaan tunteita ihmisessä
"Yhteisalgoritmin monitietomallipäätöksenteko syntyy tunteiden tunnistamisen kautta”, Han Tian, Zhang Zhu ja Xu Jing kirjoittivat paperissaan. "Mallin avulla analysoidaan edustavia tietoja koehenkilöistä ja autetaan diagnosoimaan masennusta koehenkilöillä."
Tian ja hänen kollegansa kouluttivat mallinsa asettamaanDAIC-WOZ-data, joukko ääni- ja 3D-kasvojen ilmeitä potilaista, joilla on diagnosoitu masennushäiriö, ja ihmisiltä, joilla ei ole masennusta. Nämä äänitallenteet ja ilmeet kerättiin haastatteluissa, joita suoritti virtuaaliagentti, joka esitti erilaisia kysymyksiä haastateltavan tunnelmasta ja elämästä.
"Perustuu tutkimukseen ihmisten puheominaisuuksistamasennushäiriöstä, tämä artikkeli tarjoaa perusteellisen tutkimuksen masennuksen diagnosoinnista puheella, joka perustuu DAIC-WOZ-tietojoukon puhetietoihin, Tian, Zhu ja Jian kirjoittivat tutkimuksessaan. - Ensinnäkin puheinformaatiota esikäsitellään, mukaan lukien puheen esikorostus, kehystys, päätepisteen havaitseminen, kohinan poistaminen jne. Toiseksi OpenSmileä käytetään puhesignaalien ominaisuuksien poimimiseen ja toimintoja heijastavia puheominaisuuksia tutkitaan ja analysoidaan perusteellisesti. .
Poimi tärkeitä ominaisuuksia äänestälevyjä, tiimin malli käyttää OpenSmileä (avoimen lähdekoodin puheen ja musiikin tulkinta suurella tilapoiminnalla). Se on joukko työkaluja, joita tietojenkäsittelytieteilijät käyttävät usein ominaisuuksien poimimiseen äänileikkeistä ja niiden luokittelusta.
Tutkijat käyttivät tätä työkaluaPuheen yksittäisten piirteiden ja niiden yhdistelmien poimiminen, joita yleensä esiintyy masennusdiagnoosin saaneiden potilaiden puheessa. Myöhemmin he käyttivät tekniikkaa, joka tunnetaan nimellä pääkomponenttianalyysi, vähentääkseen poimittujen ominaisuuksien määrää.
Tian, Zhu ja Jian arvioivat mallinsa sarjassatestejä, joissa he arvioivat hänen kykyään havaita masentuneita ja ei-masenneita ihmisiä äänitallenteistaan. Heidän suunnitelmansa tuotti merkittäviä tuloksia, ja se havaitsi masennuksen 87 prosentin tarkkuudella miespotilailla ja 87,5 prosentin tarkkuudella naispotilailla.
Tulevaisuudessa syväoppimisalgoritmi,Tämän tutkijaryhmän kehittämä tuote voi olla ylimääräinen apuväline psykiatreille ja lääkäreille muiden vakiintuneiden diagnostisten työkalujen ohella. Lisäksi tämä tutkimus voi innostaa kehittämään vastaavia tekoälytyökaluja mielenterveyshäiriöiden merkkien havaitsemiseen puheen perusteella.
Lue lisää:
NASA:ssa verrattiin kahta kuvaa maapallosta 50 vuoden erolla: mitä tutkijat löysivät
Tutkijat siirsivät ihmisen "aivot" rotille ja kertoivat, mitä lopulta tapahtui
ChatGPT haastatteli Googlessa 183 000 dollarin insinööriksi