利用语音与多模态数据基于贝叶斯网络对抑郁症及其症状进行鲁棒无偏预测
机器学习
2023-06-26 v2 人工智能
摘要
利用行为与认知信号预测重性抑郁障碍（MDD）的存在是一项极为非平凡的任务。MDD 的异质性临床特征意味着任何给定的语音、面部表情和/或观察到的认知模式都可能与独特的抑郁症状组合相关联。常规的判别机器学习模型可能缺乏对此异质性进行鲁棒建模的复杂度。然而，贝叶斯网络可能更适用于此类场景。这些网络是概率图模型，通过显式捕捉一组随机变量之间的条件依赖关系来高效描述其联合概率分布。该框架相较于标准判别建模具有进一步优势：可提供将专家意见纳入模型图结构的可能性、生成可解释的模型预测、告知预测的不确定性，以及自然处理缺失数据。在本研究中，我们应用贝叶斯框架来捕捉在 thymia 收集的语音、面部表情和认知游戏数据所衍生的特征与抑郁、抑郁症状之间的关系。
引用
@article{arxiv.2211.04924,
title = {Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data},
author = {Salvatore Fara and Orlaith Hickey and Alexandra Georgescu and Stefano Goria and Emilia Molimpakis and Nicholas Cummins},
journal= {arXiv preprint arXiv:2211.04924},
year = {2023}
}
备注
Accepted for publication at Interspeech 2023