语音-Based自杀风险评估的声学与机器学习方法：系统综述
音频与语音处理
2025-10-29 v2 机器学习
声音
摘要
自杀仍是公共卫生的挑战，亟需改进检测方法以促进及时干预和治疗。本系统综述评估了人工智能（AI）和机器学习（ML）在通过语音声学分析评估自杀风险的作用。遵循PRISMA指南，我们从PubMed、Cochrane、Scopus和Web of Science数据库中选取了33篇文章。最后一次检索于2025年2月进行。使用PROBAST工具评估偏风险。纳入标准是分析处于自杀风险（RS）和不处于自杀风险（NRS）人群之间的声学特征的研究，而排除声学数据不足、缺乏自杀相关关注或方法细节不足的研究。样本量差异大，可依据参与者或语音片段数进行报告。结果基于声学特征和分类器性能进行叙述性综述。发现RS和NRS人群之间始终存在显著的声学特征差异，尤其涉及jitter、基频（F0）、梅尔频率倒数谱系数（MFCC）和功率谱密度（PSD）。分类器性能因算法、模态和语音诱导方法而异，融合声学、语言和元数据特征的多模态方法表现优异。在29项基于分类器的研究中，报告的AUC值范围为0.62至0.985，准确率范围为60%至99.85%。大多数数据集偏向NRS不平衡，报告的绩效指标很少按组别单独报告，这限制了明确识别效应方向。
引用
@article{arxiv.2505.18195,
title = {Acoustic and Machine Learning Methods for Speech-Based Suicide Risk Assessment: A Systematic Review},
author = {Ambre Marie and Marine Garnier and Thomas Bertin and Laura Machart and Guillaume Dardenne and Gwenolé Quellec and Sofian Berrouiguet},
journal= {arXiv preprint arXiv:2505.18195},
year = {2025}
}
备注
Preprint version of a manuscript submitted to the Journal of Affective Disorders