1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 242-249

ДИАГНОСТИКА ТЯЖЕСТИ СИМПТОМОВ ДЕПРЕССИИ ПРИ ПОМОЩИ ОБЪЯСНИМОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

С. Шалилех 1, 2, *, А. О. Копцева 2, **, Т. И. Шишковская 3, ***, М. В. Худякова 1, 4, ****, О. В. Драгой 1, 5, *****

1 Центр языка и мозга, Научно-исследовательский университет “Высшая школа экономики”
Москва, Россия

2 Научно-учебная лаборатория моделирования зрительного восприятия и внимания, Научно-исследовательский университет “Высшая школа экономики”
Москва, Россия

3 Отделение эндогенных психических расстройств и аффективных состояний ФГБУН “Центр психического здоровья”
Москва, Россия

4 Центр языка и мозга, Научно-исследовательский университет “Высшая школа экономики”,
Нижний Новгород, Россия

5 Институт языкознания, Российская академия наук
Москва, Россия

* E-mail: sr.shalileh@gmail.com
** E-mail: akoptseva@hse.ru
*** E-mail: tszyszkowska@gmail.com
**** E-mail: mariya.kh@gmail.com
***** E-mail: odragoy@hse.ru

Поступила в редакцию 01.08.2023
После доработки 18.08.2023
Принята к публикации 15.10.2023

Аннотация

Эта статья представляет исследование, направленное на (i) разработку решения на основе искусственного интеллекта для диагностики депрессии и (ii) изучение психиатрических данных с помощью объяснимого искусственного интеллекта. Авторы собрали и аннотировали новый набор аудиоданных, сформулировали задачу регрессии и изучили производительность восьми ее алгоритмов. Результаты показали, что метод ближайших соседей и случайный лес образуют группу с наиболее приемлемыми результатами. Была определена важность характеристик лучшего алгоритма регрессии и выявлены три наиболее значимые для диагностики характеристики: четвертые коэффициенты мел-частотного кепстрального преобразования, гармоническая разница H1-A1 и хрипота.

Ключевые слова: распознавание депрессии, акустические признаки, регрессия, объяснимый искусственный интеллект

Список литературы

  1. Depressive disorder. https://www.who.int/news-room/fact-sheets/detail/depression

  2. Strumbelj E., Kononenko I. Explaining prediction models and individual predictions with feature contributions. Knowl. Inf. Syst. 2014. V. 41. № 3. P. 647–665.

  3. Eyben F., Wöllmer M., Schuller B. opensmile - the munich versatile and fast open-source audio feature extractor. In Proc. ACM Multimedia (MM), ACM, Florence, Italy, 2010. P. 1459–1462.

  4. Eyben F., Scherer K.R., Schuller B.W., Sundberg J., André E., Busso C.,Devillers L. Y., Epps J., Laukka P., Narayanan S.S., et al. The Geneva minimalistic acoustic parameter set (GeMAPS) for voice research and affective computing. IEEE transactions on affective computing. 2015. V. 7. № 2. P. 190–202.

  5. Mockus J., Tiesis V., Zilinskas A. The application of Bayesian methods for seeking the extremum. Towards global optimization. 1978. V. 2. № 117–129. P. 2.

  6. Friedman J.H. Greedy function approxmation: a gradient boosting machine. Annals of statistics. 2001. P. 1189–1232.

  7. Bentley J.L. Multidimensional binary search trees used for associative searching. Communications of the ACM. 1975. V. 18. № 9. P. 509–517.

  8. Breiman L. Random forests. Machine learning. 2001. V. 45. № 1. P. 5–32.

  9. Khudyakova M., Antonova N., Nelubina M., Surova A., Vorobyova A., Minnigulova A., Gronskaya N., Yashin K., Medyanik I., Shishkovskaya T., et al. Discourse diversity database (3d) for clinical linguistics research: Design, development, and analysis. Bakhtiniana. Revista de Estudos do Discurso. 2023. V. 18. № 1. P. 32–57.

  10. Lundberg S.M., Lee S. A unified approach to interpreting model. predictions. In Advances in Neural Information Processing Systems 30. 2017. P. 4765–4774.

  11. Murphy K.P. Probabilistic machine learning: an introduction. MIT press, 2022.

  12. Wu P., Wang R., Lin H., Zhang F., Tu J., Sun M. Automatic depression recognition by intelligent speech signal processing: A systematic survey. CAAI Transactions on Intelligence Technology, 2022.

  13. Hastie T., Rosset S., Zhu J., Zou H. Multi-class adaboost. Statistics and its Interface. 2009. V. 2. № 3. P. 349–360.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал