- 博客(6)
- 收藏
- 关注
RSS订阅原创 深度学习知识点记录
特征提取的好坏异常关键，甚至比学习算法还重要，举个例子，对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，如果你提取了一个超强特征，比如染色体的数据，那你的分类基本就不会错了。感受野：卷积神经网络中每一层输出的特征图上的像素点在原始图像上映射的区域大小，第一层卷积层的输出特征图像素的感受野大小等于卷积核的大小，其他卷积层的输出特征图的感受野大小和他之前所有层的卷积核大小和步长都有关系。
2023-11-15 12:01:37
113
原创 基于视听线索的深度学习抑郁症识别的综述
同时引出了随着深度学习的发展，研究者尝试用各种线索来进行抑郁症的诊断，抑郁症检测的方法，提取患者的视觉语音线索，从音频、视觉、文本到多模态。Research context：文章是一篇关于基于音视觉线索来检测抑郁症的综述，文章分别介绍了抑郁症目前的现状、数据集的研究发展、研究方法历程：1.基于音频的抑郁症评估 2.基于视觉的抑郁症评估 3.基于音视频的抑郁症评估（多模态）、以及总结问题、提出展望。pooling层进行特征的进一步提取，降低特征图的空间分辨率，进行下采样，丢弃信息少的部分，类似于地图放大。
2023-11-15 11:54:43
603
2
原创 抑郁症背景及现状
随着数据挖掘、人工智能等工具的兴起，利用生理数据探索精神障碍新的可能的生理指标，创造精神障碍诊断的新应用，成为新的研究热点。中国国民心理健康状况最新调查结果显示，不同年龄、不同收入下心理健康状况差异突出，本次调查中，抑郁风险检出率为10.6%，焦虑风险检出率为15.8%，抑郁和焦虑水平的影响因素高度相似。在成年人群中，18~24岁年龄组的抑郁风险检出率达24.1%，显著高于其他年龄组，25~34岁年龄组的抑郁风险检出率为12.3%，也显著高于35岁及以上各年龄组。由兰州大学可穿戴计算重点实验室所提供。
2023-11-15 11:52:21
1397
6
原创 基于子注意融合的多模态抑郁估计
输入是三种不同种类的数据，输出则是PHQ-8的数值，由CNN和LSTM的联合作为该模型的主干，来进行特征的提取，经过全连接网络，进行特征图的融合（将特征连接到一起），进而输送到注意力融合模块当中，该模块有八个子注意力模块，分别提取不同的特征，对应八个子分类器，输出八个子PHQ-8分值，刚好对应PHQ-8（量表中8个抑郁检测项目，每一个3分）Goodness：提出了一种融合多模态的模型，并且采用注意力融合的方法来进行抑郁症检测，根据PHQ-8量表的判断规则将抑郁症等级进行分类（>10定义为抑郁者）
2023-11-15 11:50:59
509
2
原创 基于深度学习的抑郁症检测混合模型
作者验证了三者的各项指标，accuracy、F1 score、loss and so on,发现audio CNN在抑郁症检测方面上能获得良好的效果,准确率达到98%，损失为0.1%，而text CNN的准确度为92%，损失为0.2%，混合LSTM模型的准确率为0.80%，损失为0.4。提出了一个基于语音和文本的抑郁症倾向检测的混合模型（混合Bi-LSTM和混合LSTM），文章对比研究了语音数据集在Audio CNN上表现特点、文本数据集在Text CNN、以及语音和文本在混合模型上的性能。
2023-11-15 11:44:59
1056
原创 基于深度学习和多源数据的抑郁症识别
（1）目前抑郁症的现状（WHO），传统研究方法的缺陷，总结之前研究的方法，以及不足，提出自己的研究，研究意义。（2）介绍研究方法：建立数据集（包括社交网络文本数据、步长数据）、模型（Bert、3D卷积、LSTM）、训练。使用多元数据结合集成模型训练来进行抑郁倾向的检测，主要内容:数据集的获取，模型的建立，训练和测试效果。3.数据源较少，社交文本数据比较难以收集，仅仅依靠步态数据进行预测准确度不够，而且数据集难以有说服力。（1）用于社交网络文本数据的Bert社交网络模型。多元数据集，集成模型。
2023-11-15 11:38:10
1124
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人