利用自动语音识别系统与深度学习主题模型识别智能手机采集的自由应答语音录音中与抑郁相关的主题
计算与语言
2023-09-06 v2 计算机与社会
声音
音频与语音处理
定量方法
摘要
语言使用已被证明与抑郁相关，但亟需大规模验证。诊所研究等传统方法成本高昂。因此，自然语言处理已被用于社交媒体以预测抑郁，但仍存在局限——缺乏经验证标签、用户样本有偏、无上下文。我们的研究使用 Whisper 工具与 BERTopic 模型，在来自 265 名参与者的 3919 段智能手机采集语音录音中识别出 29 个主题。中位 PHQ-8 大于等于 10 的六个主题被视为抑郁风险主题：无期望、睡眠、心理治疗、理发、学习、课业。为阐明主题出现及其与抑郁的关联，我们比较了已识别主题间的行为（来自可穿戴设备）与语言特征。我们还探讨了主题偏移与抑郁严重程度随时间变化的相关性，表明纵向监测语言使用的重要性。我们亦在一个类似的较小数据集（来自 57 名参与者的 356 段语音录音）上测试了 BERTopic 模型，获得一些一致结果。总之，我们的发现表明特定语音主题可指示抑郁严重程度。所呈现的数据驱动工作流为从真实场景收集与分析大规模语音数据用于数字健康研究提供了实用方法。
引用
@article{arxiv.2308.11773,
title = {Identifying depression-related topics in smartphone-collected free-response speech recordings using an automatic speech recognition system and a deep learning topic model},
author = {Yuezhou Zhang and Amos A Folarin and Judith Dineley and Pauline Conde and Valeria de Angel and Shaoxiong Sun and Yatharth Ranjan and Zulqarnain Rashid and Callum Stewart and Petroula Laiou and Heet Sankesara and Linglong Qian and Faith Matcham and Katie M White and Carolin Oetzmann and Femke Lamers and Sara Siddi and Sara Simblett and Björn W. Schuller and Srinivasan Vairavan and Til Wykes and Josep Maria Haro and Brenda WJH Penninx and Vaibhav A Narayan and Matthew Hotopf and Richard JB Dobson and Nicholas Cummins and RADAR-CNS consortium},
journal= {arXiv preprint arXiv:2308.11773},
year = {2023}
}