基于头部运动模式的可解释抑郁症检测
计算机视觉与模式识别
2023-07-25 v1 机器学习
摘要
尽管抑郁症已通过多模态非言语行为线索进行研究,但头部运动行为作为生物标志物尚未受到足够关注。本研究通过采用两种不同方法并利用差异化特征,证明了基本头部运动单元(称为\emph{kinemes},运动基元)在抑郁症检测中的效用:(a)从抑郁症患者与健康对照者的头部运动数据中发现运动基元;(b)仅从健康对照者学习运动基元模式,并计算患者与对照两类样本的重建误差统计量。采用机器学习方法,我们在\emph{BlackDog}与\emph{AVEC2013}数据集上评估抑郁症分类性能。结果表明:(1)头部运动模式是检测抑郁症状的有效生物标志物;(2)两类样本可观察到与既往发现一致的可解释运动基元模式。总体而言,在片段式\emph{thin-slices}的二分类中,我们在BlackDog与AVEC2013上分别取得 0.79 与 0.82 的峰值F1分数,在AVEC2013视频上取得 0.72 的峰值F1。
引用
@article{arxiv.2307.12241,
title = {Explainable Depression Detection via Head Motion Patterns},
author = {Monika Gahalawat and Raul Fernandez Rojas and Tanaya Guha and Ramanathan Subramanian and Roland Goecke},
journal= {arXiv preprint arXiv:2307.12241},
year = {2023}
}