Семинар "AI Models to Diagnose Depression Using Acoustic Features"

26 июня в Научно-учебной лаборатории Методов искусственного интеллекта для когнитивных наук прошёл научный семинар на тему "AI Models to Diagnose Depression Using Acoustic Features"

В качестве докладчика выступила Ковалева Александра (студентка магистратуры НИУ ВШЭ) под руководством Шалилеха Соруша (кандидат технических наук, заведующй лабораторией).

Аннотация:
Депрессия является одной из наиболее распространенных психических проблем в современном мире, которая в значительной степени влияет на качество жизни человека. Многие люди склонны заниматься самодиагностикой, избегая консультации врача и пытаются вылечиться самостоятельно, поскольку прием в больнице занимает значительное время и нарушает личную жизнь. В этом исследовании мы рассмотрели различные методы искусственного интеллекта (ИИ), позволяющие определить, страдает ли человек депрессией, используя акустические характеристики (такие как высота, тон, ритм и т. д.), извлеченные из голосов.

Предполагается, что акустические характеристики являются многообещающими индикаторами депрессии. Мы взяли набор данных 346 пациентов из Научно-исследовательского центра психического здоровья в Москве, РФ, которых попросили записать свои голоса во время выполнения одного из заданий: описания изображения, чтения инструкции IKEA и рассказа своей личной истории. Для определения степени тяжести депрессии врачи использовали две шкалы: шкалу Гамильтона для оценки депрессии (HDRS) и краткий опросник по симптомам депрессии (QIDS). Мы извлекли особенности из аудиозаписей пациентов и обучили несколько различных моделей: от традиционных моделей машинного обучения (ML), таких как алгоритмы ансамблевого обучения и k-ближайших соседей, до более продвинутых архитектур глубокого обучения, таких как методы TabNet и Wide&Deep. Результаты нашего исследования показывают, что несколько моделей могут достичь высокой точности прогнозирования уровня депрессии примерно с 0,62 и 0,7 ROC-AUC и F1-Score соответственно, используя описания изображений в качестве стимула для пациентов. Кроме того, из двух шкал QIDS показала наиболее точные результаты с точки зрения прогнозирования.

В целом, наши результаты показали, что модели глубокого обучения имеют большой потенциал для обнаружения депрессии с использованием извлеченных акустических характеристик; однако необходимы дальнейшие исследования для улучшения качества полученных результатов.

Материалы семинара: AI Models to Diagnose Depression Using Acoustic Features (PDF, 2.36 Мб)