MOGAM：一种用于抑郁症检测的多模态面向对象图注意力模型
计算与语言
2024-03-26 v1 人工智能
机器学习
摘要
早期检测在抑郁症治疗中起着关键作用。因此，许多研究聚焦于社交媒体平台，个体在此表达情感，旨在实现抑郁症的早期检测。然而，现有的大多数方法通常依赖于特定特征，导致在不同类型的社交媒体数据集（如文本、图像或视频）上的可扩展性有限。为克服这一限制，我们引入了一种多模态面向对象图注意力模型（MOGAM），该模型可应用于多种数据类型，提供更可扩展和通用的解决方案。此外，为确保我们的模型能够捕获真实的抑郁症状，我们仅包含来自临床诊断用户的视频博客。为利用视频博客的多样化特征，我们采用多模态方法并收集额外的元数据，如视频博客的标题、描述和时长。为有效聚合这些多模态特征，我们采用了交叉注意力机制。MOGAM达到了0.871的准确率和0.888的F1分数。此外，为验证MOGAM的可扩展性，我们使用基准数据集评估其性能，并与先前研究取得了可比的结果（F1分数0.61）。总之，我们相信所提出的MOGAM模型是社交媒体中检测抑郁症的有效解决方案，为这种心理健康状况的早期检测和治疗提供了潜在益处。
引用
@article{arxiv.2403.15485,
title = {MOGAM: A Multimodal Object-oriented Graph Attention Model for Depression Detection},
author = {Junyeop Cha and Seoyun Kim and Dongjae Kim and Eunil Park},
journal= {arXiv preprint arXiv:2403.15485},
year = {2024}
}
备注
12 pages, 3 figures, 4 tables