Depressionsdetektor

Illustration av person med pratbubbla som visar en hjärna i den. Fröken. Teknik; Ansiktsprofil av Marek Polakovic, SK | Substantiv projekt

För att diagnostisera depression intervjuar läkare patienter och ställer specifika frågor – om till exempel tidigare psykiska sjukdomar, livsstil och humör.

Maskininlärning som kan upptäcka ord och intonationer associerade med depression kan hjälpa till med diagnostik. Men sådana modeller tenderar att förutsäga depression utifrån personens specifika svar på mycket specifika frågor.

En ny neural-nätverksmodell utvecklad vid MIT kan släppas lös på rå text- och ljuddata från intervjuer för att upptäcka talmönster som tyder på depression. Givet ett nytt ämne kan den exakt förutsäga om individen är deprimerad utan att behöva någon annan information om frågorna och svaren.

Modellen ser sekvenser av ord eller talstil och bestämmer att dessa mönster är mer benägna att ses hos personer som är deprimerade eller inte deprimerade, säger EECS doktorand och CSAIL-forskare Tuka Alhanai, SM '14, första författare på en artikel som presenteras på Interspeech-konferensen. Sedan, om den ser samma sekvenser i nya ämnen, kan den förutsäga om de också är deprimerade.

Denna forskning kan leda till verktyg för att upptäcka tecken på depression i naturliga samtal. Till exempel kan appar som uppmärksammar användare om tecken på nöd i deras text- och röstkommunikation vara användbara för dem som inte kan komma till en läkare för diagnos på grund av avstånd, kostnader eller bristande medvetenhet om att något kan vara fel. Tekniken kan också hjälpa till att identifiera psykisk ångest under tillfälliga samtal på kliniska kontor. —

Dölj