您好,欢迎来到您的网站!

导语:国内第一份为自动驾驶行业定制的年度内容。

如果你是新智驾的忠实读者,可跳过以下介绍,直达报名页面。前100名可领取会员特惠,微信手动添加小慕(id:moocmm),转发文末海报到朋友圈,截图给小慕领取优惠码。报名直达链接:_____

欧丰名培训风暴——销售从心开始
所属分类:企业新闻
发布日期:2017-11-03
点击率:335
收藏:

人工智能工程师计算机视觉工程师自然语言处理工程师算法工程师小组字幕组问答博客论文资源公开课慕课小组字幕组问答博客论文资源公开课慕课登录注册登录注册-->活动课程“医学影像专题”社员专享“医学影像专题”社员专享开课时间:开课时长:5期大牛授课活00学生和c5我要报名课程咨询

收藏(327)收藏(327)分享使用慕课学院小程序随时掌握ai好课小程序反馈收藏(327)收藏(327)分享扫二维码继续学习二维码时效为半小时课程概览课时列表讨论区评价笔记(1)课程介

导语:该方法使用了视频、音频和文本数据集,以及因果卷积神经网络模型,准确率超过80%。雷锋网(公众号:雷锋网)(公众号:雷锋网)按:本文作者alberthaque, michelleguo, adamsminer和lifei-fei。文章主要介绍了李飞飞团队的最新研究成果:一种基于机器学习的抑郁症症状严重程度测量方法,该方法使用了视频、音频和文本数据集,以及因果卷积神经网络模型,准确率超过80%。

抑郁症现在是一个全球性问题:已经有3亿多人患有抑郁症,严重时可导致自杀。

由于社会舆论、高昂成本和治疗缺位,60%的精神性疾病患者没有获得任何精神健康。就抑郁症来说,有效且高效的诊断依赖于临床症状检测,但是,抑郁症症状的自动检测正在打破这一传统,无需临床检测也可以潜在地提高诊断准确性和有效性,从而带来更快速的干预治疗。

在本文中,我们提出了一种机器学习方法来测量抑郁症症状的严重程度。此多模态方法使用了3d面部表情和口语,这些数据在现在的手机上很常见。结果显示,在经过临床验证过的病人健康问卷(phq,patienthealthquestionnaire)水平上,63%);对于检测重度抑郁症6%的特异性。

总的来说,本文展示了如何将语音识别、计算机视觉和自然语言处理结合起来帮助精神健康患者,以及相关的从业人员。这项技术还可以应用到手机上,并促进低成本和普惠精神健康发展。

1介绍一般来说,精神障碍患者会由基础医疗医生等人员进行检查,包括基础医疗医生。然而,相比身体疾病,精神障碍更难被发现。而且,诸如社会舆论、经济成本和治疗缺位等治疗障碍又加剧了精神健康的负担。为了解决医疗中这些根深蒂固的障碍,人们呼吁采取可推广的方法来检测精神健康症状。如果成功了,早期检测可能影响到60%未接受治疗的精神病成年人,并让他们有机会获得治疗。

在临床实践中,医生首先通过面对面临床问诊测量抑郁症症状的严重程度,以此来甄别患者的抑郁症症状。在这些问诊中,临床医生同时评估抑郁症症状的语言和非语言指标:包括音高单调、语速降低、音量降低、手势较少和总向下看,如果这些症状持续了两周,可以认为患者重度抑郁症发作。

在临床人群中,结构化问卷早已用来评估抑郁症状的严重程度。最常见的问卷就是病人健康问卷(phq)。这种已被临床验证的工具会在多个个人维度上测量抑郁症症状的严重程度。评估症状的严重性虽然需要很多时间,但这对于初步诊断和进一步改善治疗都至关重要。

而基于人工智能的可以解决这些获得治疗的重重障碍。___图1:多模态数据。对于每个临床问诊,我们使用:(a)3d面部扫描的视频,(b)音频录音,可转化为可视化的log-mel声谱图,以及(c)患者讲话的转录文本。我们的模型使用了这三种模式预测抑郁症症状的严重程度。

我们设想了一种基于人工智能的:其中的抑郁个体们可以接受循证精神健康,同时又避免了现有的治疗获取障碍。这种可以利用多模态传感器或者文本消息(就是现代智能手机上常见的那些)来增多及时和效率高的症状筛查。对话式ai是另一种潜在的。我们的希望是自动化反馈将(i)为可能抑郁的个体提供可操作的反馈,并(ii)通过包括视觉、音频和语言信号来改进临床医生的抑郁自动化筛查工具。

贡献:我们提出了一种机器学习方法通过去识别化的多模态数据来测量抑郁症症状的严重程度。我们模型的输入是面部关键点的音频、3d视频以及患者在临床问诊中的说话转录文本。我们的模型的输出要么是phq评分,要么是表明重度抑郁症的分类标签。我们的方法利用了因果卷积网络(c-cnn),将句子们“概括”为单个嵌入,然后。

下一页:欧丰名:布艺软装诠释优雅灵魂