从语音检测重性抑郁障碍严重程度：一种新颖的 HARD-Training 训练方法
声音
2023-05-26 v2 机器学习
音频与语音处理
定量方法
摘要
重性抑郁障碍（MDD）是一种全球常见的心理健康问题，伴随高昂的社会经济成本。因此，对 MDD 的预测与自动检测可对社会产生巨大影响。语音作为一种非侵入性、易采集的信号，是辅助 MDD 诊断与评估的有前景标志物。为此，作为重性抑郁障碍远程评估与复发研究（RADAR-MDD）项目的一部分采集了语音样本。RADAR-MDD 是一项观察性队列研究，在西班牙、英国和荷兰采集了有 MDD 病史个体的语音及其他数字生物标志物。本文以 RADAR-MDD 语音语料库为实验框架，测试具有局部注意力机制的序列到序列（Sequence-to-Sequence）模型在两类抑郁严重程度分类范式中的效能。此外，提出了一种新颖训练方法 HARD-Training。它是一种基于为模型训练选取更具模糊性样本、受课程学习范式启发的方法论。发现 HARD-Training 能持续提升——平均提升 8.6%——我们所用的两类语音诱发任务及 RADAR-MDD 语音语料库各采集点的分类器性能。借助该新颖方法，我们的序列到序列模型能有效检测 MDD 严重程度，且与语言无关。最后，认识到亟需提高对潜在算法偏差的认识，我们对各性别分别进行了结果的附加分析。
引用
@article{arxiv.2206.01542,
title = {Detecting the Severity of Major Depressive Disorder from Speech: A Novel HARD-Training Methodology},
author = {Edward L. Campbell and Judith Dineley and Pauline Conde and Faith Matcham and Femke Lamers and Sara Siddi and Laura Docio-Fernandez and Carmen Garcia-Mateo and Nicholas Cummins and the RADAR-CNS Consortium},
journal= {arXiv preprint arXiv:2206.01542},
year = {2023}
}
备注
Error in Training Code