何时干预:利用日常智能手机对话检测异常情绪
机器学习
2019-10-04 v2 人机交互
机器学习
摘要
双相情感障碍(BPD)是一种慢性精神疾病,其特征为从躁狂到抑郁的极端情绪与能量变化。这些变化驱动的行为常导致毁灭性的个人与社会后果。BPD 在临床上通过护理提供者的定期互动进行管理,后者评估情绪、能量水平以及言语的形式与内容。近期工作已提出利用智能手机通过语音监测情绪。然而,这些工作并未预测何时进行干预。预测何时干预具有挑战性,因为并不存在对每个人都相关的单一度量:不同个体可能具有被视为典型的不同水平的症状严重程度。此外,这种典型情绪或基线可能随时间变化,使得单一症状阈值不足。本工作提出一种创新方法,将临床情绪监测扩展为利用我们称之为时间归一化(Temporal Normalization)的异常检测框架来预测何时需要干预。我们首先使用标注了临床干预的数据集验证该模型,然后将此方法纳入深度学习框架,以从自然的、非结构化的电话语音数据预测情绪异常。这些方法的结合提供了一个能够实现面向真实世界语音的情绪监测的框架。
引用
@article{arxiv.1909.11248,
title = {When to Intervene: Detecting Abnormal Mood using Everyday Smartphone Conversations},
author = {John Gideon and Katie Matton and Steve Anderau and Melvin G McInnis and Emily Mower Provost},
journal= {arXiv preprint arXiv:1909.11248},
year = {2019}
}
备注
Submitted to IEEE Transactions on Affective Computing