结合物理活动感知与社交媒体数据的混合数据采集方法预测人类抑郁症
人工智能
2025-05-30 v1
摘要
包括抑郁症、焦虑症和其他神经系统疾病在内的精神障碍构成了重大的全球性挑战，尤其是在表现出社交回避倾向的个体中。本研究提出了一种混合方法，通过利用测量日常身体活动的智能手机传感器数据并分析其社交媒体(Twitter)互动来评估个体的抑郁水平。使用基于 CNN 的深度学习模型和朴素贝叶斯分类，我们准确识别了人类身体活动，并对用户情绪进行了分类。共招募了 33 名参与者进行数据采集，从身体活动中提取了九个相关特征，并使用老年抑郁量表(GDS)问卷评估的每周抑郁得分进行了分析。在这九个特征中，六个源自身体活动，实现了 95% 的活动识别准确率；三个特征源自 Twitter 活动的情绪分析，情绪分析准确率达到 95.6%。值得注意的是，几个身体活动特征与抑郁症状的严重程度表现出显著的相关性。在抑郁严重程度分类中，采用了基于支持向量机(SVM)的算法，该算法展现了 94% 的极高准确率，优于多层感知机(MLP)和 k 近邻等替代模型。这是一种简单但从长远来看非常有效的方法，可以在不侵犯个人隐私的情况下监测抑郁症。
引用
@article{arxiv.2505.22779,
title = {Predicting Human Depression with Hybrid Data Acquisition utilizing Physical Activity Sensing and Social Media Feeds},
author = {Mohammad Helal Uddin and Sabur Baidya},
journal= {arXiv preprint arXiv:2505.22779},
year = {2025}
}