在检测精神障碍背景下探索自监督学习的任务无关特性
机器学习
2024-03-25 v1 人工智能
信号处理
摘要
自监督学习（SSL）已被研究用于在各个领域生成任务无关的表示。然而，此类研究尚未针对检测多种精神障碍进行。任务无关表示存在的理由在于多种精神障碍之间的重叠症状。因此，为心理健康评估收集的行为数据可能携带与多种障碍相关的混合属性。受此启发，在本研究中，我们探索了在检测重度抑郁障碍（MDD）和创伤后应激障碍（PTSD）的背景下，利用交互会话期间收集的音频和视频数据，通过SSL导出的任务无关表示。本研究采用通过预测多个固定目标或掩码帧训练的SSL模型。我们提出了一系列固定目标，以使生成的表示在检测MDD和PTSD时更有效。此外，我们修改了预测固定目标的SSL编码器的超参数，以生成捕获不同时间上下文的全局表示。这两项创新均被注意到能提升所考虑精神障碍的检测性能，并展现出任务无关特性。在预测掩码帧的SSL模型背景下，生成的全局表示也被注意到展现出任务无关特性。
引用
@article{arxiv.2403.15170,
title = {Exploring the Task-agnostic Trait of Self-supervised Learning in the Context of Detecting Mental Disorders},
author = {Rohan Kumar Gupta and Rohit Sinha},
journal= {arXiv preprint arXiv:2403.15170},
year = {2024}
}