神经网络学习在临床访谈中预测抑郁的言语模式
生物

诊断抑郁症,临床医生采访病人,询问具体问题-关于,说,过去的精神疾病,生活方式,以及情绪-并根据患者的反应确定病情。

近年来,机器学习被认为是诊断学的有用辅助手段。机器学习模型,例如,已经开发出能够检测出可能表示抑郁的单词和语音语调。

但是这些模型倾向于预测一个人是否抑郁,根据具体问题的具体答案。这些方法是准确的,但是他们对被问问题类型的依赖限制了他们如何以及在哪里可以被使用。

在一个最近在海得拉巴举行的州际会议上提出,印度麻省理工学院的研究人员详细介绍了一种神经网络模型,它可以从采访的原始文本和音频数据中释放出来,以发现表示抑郁的言语模式。

有了新的主题,它能准确预测个体是否抑郁,不需要任何关于问题和答案的其他信息。

为移动应用程序提供动力,监控用户的文本和语音,查看是否有精神问题,并发送警报。


研究人员希望这种方法可以用来开发工具来检测自然对话中抑郁的迹象。未来,模型可以,例如,为移动应用程序提供动力,监控用户的文本和语音,查看是否有精神问题,并发送警报。

这对那些无法找到诊断仪进行初步诊断的人尤其有用,由于距离,成本,或者意识不到可能有什么问题。

“我们得到的第一个暗示就是一个人是幸福的,兴奋的,悲伤的,或者有严重的认知问题,比如抑郁症,通过他们的演讲,“第一作者Tuka Alhanai说,计算机科学和人工智能实验室(CSAIL)的研究员。

“如果你想以可扩展的方式部署[抑郁检测]模型…你想最小化你对你使用的数据的限制。你想把它部署到任何定期的对话中,让模型开始工作,从自然相互作用来看,个人的状态。”“

技术仍然可以,当然,用于在临床办公室的非正式谈话中识别精神困扰,作者之一詹姆斯·格拉斯补充道,CSAIL的高级研究科学家。“每个病人说话都会不一样,如果模型看到了变化,也许它会成为医生的一面旗帜,“他说。“这是向前迈出的一步,看看我们是否能做些帮助临床医生的事情。”“

论文的另一位合著者是Mohammad Ghassemi,医学工程与科学研究所(IMES)成员。

无上下文建模


该模型的关键创新在于它能够检测出表明抑郁的模式,然后将这些模式映射到新的个人,没有其他信息。“我们称之为“上下文无关,“因为你不会对你要找的问题类型和对这些问题的回答类型施加任何限制,“Alhanai说。

其他模型提供了一组特定的问题,然后举例说明一个没有抑郁症的人是如何反应的,以及一个有抑郁症的人是如何反应的。直截了当的调查,你有抑郁症史吗?’

它使用这些准确的回答,然后确定当被问到完全相同的问题时,一个新的个体是否抑郁。“但这不是自然对话的工作方式,“Alhanai说。

研究人员,另一方面,使用了一种称为序列建模的技术,通常用于语音处理。用这种方法,他们从问题和答案中输入文本和音频数据的模型序列,来自抑郁和非抑郁个体,逐一地。

随着序列的累积,该模型提取了抑郁患者或无抑郁患者的言语模式。诸如说,“悲伤”,“低”,或“下来”,可以与更平和更单调的音频信号配对。患有抑郁症的人也可以说得慢一些,并且在两个词之间使用较长的停顿时间。

在以前的研究中,我们已经探讨过这些文本和音频识别器。最终由模型决定是否有任何模式可以预测抑郁。

“该模型可以看到单词的顺序或说话风格,并确定这些模式更有可能出现在抑郁或不抑郁的人身上,“Alhanai说。“然后,如果在新的主题中看到相同的序列,它可以预测他们是否也抑郁。”“

这种排序技术也有助于模型从整体上看对话,并注意到抑郁和不抑郁的人随着时间的推移说话方式的差异。

检测抑郁症


研究人员在一个142个相互作用的数据集上对他们的模型进行了训练和测试,这些数据集来自于包含音频的遇险分析访谈语料库。文本,以及对精神健康问题患者和由人类控制的虚拟代理的视频采访。

每个受试者的抑郁程度在0到27之间。使用个人健康问卷。在中等(10到14)和中等严重(15到19)之间的界限以上的分数被认为是抑郁,而所有低于这个门槛的人都被认为没有抑郁。在数据集中的所有主题中,28(20%)被标记为抑郁症。

在实验中,该模型使用精确性和召回指标进行评估。精确测量模型确定的抑郁症患者中哪些被诊断为抑郁症。

回忆测量模型在检测整个数据集中诊断为抑郁的所有受试者时的准确性。精确地说,该模型的得分为71%,并且,回忆,得分83%。这些指标的平均综合得分,考虑到任何错误,占77%。在大多数测试中,研究人员的模型几乎胜过所有其他模型。

模型需要比文本更多的数据来预测从音频中产生的抑郁。


这项研究的一个关键观点是,Alhanai说,是吗?在实验过程中,这个模型需要更多的数据来预测来自音频的抑郁,而不是文本。带文字,该模型可以使用七个问题回答序列的平均值精确地检测抑郁。

带音频,这个模型需要大约30个序列。“这意味着人们使用的语言模式预测抑郁发生的时间跨度比音频短,“Alhanai说。这些见解可以帮助麻省理工学院的研究人员,以及其他,进一步完善他们的模型。

这部作品代表了非常令人鼓舞”飞行员,格拉斯说。但是现在,研究人员试图发现这个模型在大量原始数据中识别出了哪些特定的模式。“现在有点像黑匣子,“格拉斯说。“这些系统,然而,如果你能解释他们在拿什么,你就更可信了。下一个挑战是找出它所掌握的数据。”“

研究人员还希望通过更多其他认知状况的受试者提供的额外数据来测试这些方法。比如痴呆症。“不是很容易发现抑郁,但这是一个类似的评估概念,从日常的语言信号中,如果某人有没有认知障碍,“Alhanai说。

//www.bjgzb.com/wp-content/uploads/2018/10/a-aad.jpg//www.bjgzb.com/wp-content/uploads/2018/10/a-aad-300x300.jpg戴维奥里奥登生物人工智能,医疗保健,MIT
诊断抑郁症,临床医生采访病人,询问具体问题-关于,说,过去的精神疾病,生活方式,以及情绪-并根据患者的反应确定病情。近年来,机器学习被认为是诊断学的有用辅助手段。机器学习模型,例如,已经开发出…