arXiv:2303.14279

Depression detection in social media posts using affective and social norm features

Ilias Triantafyllopoulos, Georgios Paraskevopoulos, Alexandros Potamianos

제출 2023-03-24

원문 초록

We propose a deep architecture for depression detection from social media posts. The proposed architecture builds upon BERT to extract language representations from social media posts and combines these representations using an attentive bidirectional GRU network. We incorporate affective information, by augmenting the text representations with features extracted from a pretrained emotion classifier. Motivated by psychological literature we propose to incorporate profanity and morality features of posts and words in our architecture using a late fusion scheme. Our analysis indicates that morality and profanity can be important features for depression detection. We apply our model for depression detection on Reddit posts on the Pirina dataset, and further consider the setting of detecting depressed users, given multiple posts per user, proposed in the Reddit RSDD dataset. The inclusion of the proposed features yields state-of-the-art results in both settings, namely 2.65% and 6.73% absolute improvement in F1 score respectively. Index Terms: Depression detection, BERT, Feature fusion, Emotion recognition, profanity, morality

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.22794v1cs.LG공통 태그 Emotion Recognition, Depression Detection

우울증 탐지를 위한 멀티모달 도메인 일반화: 어텐션 기반 BiLSTM 네트워크와 도메인 적대적 학습

Multimodal Domain Generalization for Depression Detection: An Attention-Based BiLSTM Network with Domain-Adversarial Training

심층 학습을 이용한 자동 우울증 탐지는 유망한 결과를 보여왔지만, 화자 간 변동성에서 기인하는 도메인 시프트(domain shift)로 인해 일반화가 제한되는 경우가 많다. 이러한 중요한 문제를 해결하기 위해, 우리는 도메인 일반화(DG)를 통합한 최초의 환자 독립적 멀티모달 우울증 탐지 프레임워크를 제안하며, 음향 및 텍스트 모달리티를 공동으로 활용한다. 제안 모델은 양방향 장단기 메모리(BiLSTM)와 모달 내 및 교차 모달 어텐션 메커니즘을 통합하고, 의사결정을 위해 세그먼트 수준 융합을 수반한다. 일반화는 신경망의 도메인 적대적 학습(DANN)에서 영감을 받은 그래디언트 역전 층을 적용하여 더욱 향상되며, 이는 모델이 개별 화자를 식별하는 능력을 적대적으로 제한함으로써 도메인 불변 표현을 촉진하고, 효과적으로 환자 특이적 바이어스를 줄인다. Androids-Corpus 데이터셋에서 5-겹 교차 검증(CV) 프로토콜로 실험을 수행하여, 다양한 세그먼트 길이에 걸쳐 오디오 및 텍스트 특징 추출기의 다양한 조합을 평가했으며, 30초 세그먼트 길이에서 MelSpec과 ItalianBERT를 최적 기준선으로 확인했다. 이 기준선에 DG를 추가하면 정확도가 2.5%, F1 점수가 3.3% 향상되어, 정확도 93.2%, 정밀도 93.2%, 재현율 96.2%, F1 점수 94.2%를 달성하며 기존의 모든 벤치마크를 능가한다. 광범위한 ablation 연구를 통해 멀티모달 융합, 심층 아키텍처 선택, DG의 영향을 평가하고, 이들이 견고하고 일반화 가능한 우울증 탐지에 기여하는 결합적 효과를 강조한다.

arXiv:2607.05901v1cs.AI공통 태그 Emotion Recognition, Depression Detection

이진 우울증 탐지를 위한 어드밴티지 가중 랭킹을 통한 잠재적 우울증 중증도 규명

Uncovering Latent Depression Severity for Binary Depression Detection via Advantage-weighting Ranking

오디오-비주얼 데이터를 활용한 자동 우울증 탐지는 중첩된 특징 분포의 분리 및 견고한 결정 경계 수립 측면에서 심각한 과제를 안고 있다. 이를 해결하기 위해 우리는 깊은 교차 모달 융합을 촉진하는 시간적 인코더와 상호 트랜스포머를 갖춘 세밀한 멀티모달 프레임워크를 제안한다. 핵심 기여는 이진 어드밴티지 가중 랭킹 손실(Binary Advantage-weighting Ranking Loss)로, 두 가지 상호 보완적 메커니즘을 통해 잠재 공간 분포를 최적화한다. 첫째, 어드밴티지 가중 분리(Advantage-weighted Separation)는 쌍별 예측 차이 행렬을 계산하여 어려운 쌍을 채굴하고 난이도에 따라 동적으로 가중치를 부여한다. 둘째, 어드밴티지 가중 밀집도(Advantage-weighted Compactness)는 클래스 내 분산을 최소화하여 특징이 각 클래스 중심으로 군집하도록 강제한다. D-vlog와 LMVD에 대한 광범위한 실험을 통해, 우리 모델이 어려운 쌍을 우선시함으로써 잠재적 순서 구조를 재구성하여 최첨단 성능을 달성함을 입증한다.

arXiv:2607.03744v1cs.AI공통 태그 Emotion Recognition, Depression Detection

대화 시간 역학이 양자 간 우울증 탐지를 향상시킬 수 있는가? 다중 모달리티 관점에서의 예비 연구

Can Conversational Temporal Dynamics Improve Depression Detection in Dyads? A Preliminary Investigation in Multi-Modality Perspectives

임상 인터뷰에서의 자동 우울증 탐지는 일반적으로 참가자 음성의 의미 내용과 음향적 특성을 모델링한다. 그러나 임상의와 참가자 간의 상호작용 타이밍은 상대적으로 모델링이 덜 이루어져 있다. 본 연구에서는 대화 시간 역학(conversational temporal dynamics), 특히 양자 간 발화 쌍 타이밍(dyadic turn-pair timing)을 자기지도 인코더(self-supervised encoder)와 융합하는 주요 모달리티로서 탐구한다. DAIC-WOZ 데이터셋에서 평가한 결과, 24차원의 소형 타이밍 모듈을 동결된 WavLM-large 및 RoBERTa-large 기준선 탐지기와 비교하였다. 이 시간 모듈은 개발 세트에서 단일 모달리티 기준 최고 성능을 달성하였다. 나아가, 볼록 가중(convex-weighted) 후기 융합 전략을 통해 전체 성능이 개발 세트와 테스트 세트에서 각각 macro-F1 0.804 및 0.669로 향상되었다. 학습된 융합은 음향에 대해 효과적으로 가중치 0을 할당하며, 이는 대화 타이밍이 양자 간 우울증 스크리닝을 위한 경량의 해석 가능한 보완 수단으로 기능함을 보여준다.

arXiv:2606.11197v1eess.AS공통 태그 Emotion Recognition, Depression Detection

MA-DLE: 메모리 증강을 통한 음성 기반 자동 우울증 수준 추정

MA-DLE: Speech-based Automatic Depression Level Estimation via Memory Augmentation

음성 기반 자동 우울증 수준 추정은 조기 발견과 적시 개입을 가능하게 하기 위해 필수적이며, 특히 자원이 제한된 정신 건강 환경에서 중요합니다. 최근 심층 학습은 감성 컴퓨팅 및 정신 건강 평가를 포함한 다양한 도메인에서 인상적인 성공을 입증했습니다. 기존 접근 방식 대부분은 우울증 추정을 위한 시간적 정보를 모델링하기 위해 RNN 기반 아키텍처(LSTM 및 GRU 등)에 의존합니다. 그러나 추출된 특징은 종종 소수의 인접한 음성 세그먼트만 강조하여 장거리 의존성을 포착하는 능력을 제한합니다. 이러한 제한을 극복하기 위해, 우리는 GRU 추출 특징의 표현 능력을 향상시키는 메모리 기반 특징 증강 방법을 제안합니다. 과거 데이터를 무차별적으로 통합하는 대신, 중복성과 무관성을 줄이기 위해 우리의 메모리 뱅크는 두 가지 유형의 구성 요소를 선택적으로 통합하도록 설계되었습니다: (1) 현재 GRU 출력과 밀접하게 유사한 과거 시간적 특징으로, 보완적인 문맥 정보를 제공합니다; 그리고 (2) 특징 변동성을 기반으로 식별된 동적 메모리 특징으로, 우울증 증상을 나타내는 행동 및 정서적 변동을 포착합니다. 메모리 증강 특징을 GRU 출력과 효과적으로 융합하기 위해, 우리는 계층적 어텐션 융합(HAF) 모듈을 추가로 설계했습니다. 우리의 방법은 널리 사용되는 DAIC-WOZ 및 E-DAIC 데이터셋에서 평가되었으며, 최첨단 성능을 달성했습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.