语音与 n-Back 任务作为观察抑郁症的窗口：二者结合如何助我们分离抑郁症的不同核心症状
声音
2022-04-04 v1 机器学习
音频与语音处理
定量方法
摘要
任何语音信号中都嵌入了认知、神经肌肉和生理信息的丰富组合。这种丰富性使得语音成为与一系列不同健康状况（包括重度抑郁障碍（MDD））相关的强大信号。语音-抑郁研究中的一个关键问题是假设抑郁严重程度是可测量的主导效应。然而，鉴于 MDD 异质的临床特征，实际情况可能是语音改变与抑郁症关键症状的子集关联更强。本文提出了支持该论点的有力证据。首先，我们展示了在 Thymia 收集的新颖大型横断面多模态数据集。然后我们展示了一组机器学习实验，表明将语音与来自 n-Back 工作记忆评估的特征相结合，在预测流行的八项患者健康问卷抑郁量表（PHQ-8）时提升了分类器性能。最后，我们展示了一组实验，突出了不同语音与 n-Back 标记在 PHQ-8 条目层面的关联。具体而言，我们观察到躯体与精神运动症状与 n-Back 表现得分关联更强，而其他条目：快感缺失、抑郁情绪、食欲改变、无价值感和注意力困难则与语音变化关联更强。
引用
@article{arxiv.2204.00088,
title = {Speech and the n-Back task as a lens into depression. How combining both may allow us to isolate different core symptoms of depression},
author = {Salvatore Fara and Stefano Goria and Emilia Molimpakis and Nicholas Cummins},
journal= {arXiv preprint arXiv:2204.00088},
year = {2022}
}
备注
Submitted to Interspeech 2022