26、人工智能、机器学习与区块链在抑郁症检测中的应用

人工智能、机器学习与区块链在抑郁症检测中的应用

1. 抑郁症检测相关研究

在抑郁症检测领域，众多研究采用了不同的方法和特征进行分析。
- 多模态框架 ：Scherer 等人运用多模态框架，结合视频特征与声学特征对抑郁症患者进行分类。声学特征主要聚焦于计算语音的呼吸声和紧张度，其中 NAQ 和 QOQ 均源自声门流脉冲的幅度测量，且这两个指标与语音紧张度呈负相关，数值越小语音越紧张，二者高度相关。
- 自杀倾向指标 ：Ozdes 等人探究了语音抖动和频谱斜率作为自杀倾向指标的重要性。使用抖动进行控制/抑郁、抑郁/自杀和控制/自杀的两两分类准确率分别为 0.65、0.60 和 0.80；使用频谱斜率的准确率分别为 0.90、0.75 和 0.60；同时使用抖动和频谱斜率时，这三对的准确率分别为 0.90、0.75 和 0.85。
- 情感评估 ：Sethu 等人基于音高、能量斜率和共振峰对说话人相关和说话人无关的研究进行情感评估。在说话人相关系统中，MFCCs 和基于 LPC 的群延迟表现出色；在说话人无关系统中，前三个共振峰表现良好。
- 特征分析 ：Scherer 等人对 NAQ、QOQ、峰值斜率和开放商神经网络（OQNN）进行分析，发现这些特征与性别无关，使用 SVM 作为分类器可获得 75%的准确率。
- 特征融合 ：2016 年，Pampouchidou 等人使用低级特征、基于离散余弦变换（DCT）的特征和高级特征的融合，对 Distress Analysis Intervie