[論文レビュー] Deep Learning Based Generalized Models for Depression Classification.

Nadee Seneviratne, Carol Espy-Wilson|arXiv (Cornell University)|Nov 13, 2020

Speech Recognition and Synthesis参考文献 20被引用数 5

ひとこと要約

本論文では、2つのうつ病データベースで抽出された発音協調特徴（ACFs）を用いて、拡張畳み込みニューラルネットワーク（DCNN）で訓練された一般化されたうつ病分類モデルを提案する。この手法は、単一データベースでのクロスコーパス評価と比較して約10%の相対的精度向上を達成し、さらにメル周波数ケプストラム係数（MFCCs）との統合によって性能が向上する。

ABSTRACT

Depression detection using vocal biomarkers is a highly researched area. Articulatory coordination features (ACFs) are developed based on the changes in neuromotor coordination due to psychomotor slowing, a key feature of Major Depressive Disorder. However findings of existing studies are mostly validated on a single database which limits the generalizability of results. Variability across different depression databases adversely affects the results in cross corpus evaluations (CCEs). We propose to develop a generalized classifier for depression detection using a dilated Convolutional Neural Network which is trained on ACFs extracted from two depression databases. We show that ACFs derived from Vocal Tract Variables (TVs) show promise as a robust set of features for depression detection. Our model achieves relative accuracy improvements of ~10% compared to CCEs performed on models trained on a single database. We extend the study to show that fusing TVs and Mel-Frequency Cepstral Coefficients can further improve the performance of this classifier.

研究の動機と目的

• 単一データベースで訓練された既存のうつ病検出モデルの一般化可能性の制限に対処すること。
• 発音路変数（TVs）から導出された発音協調特徴（ACFs）を用いた、一般化可能なうつ病分類器の開発。
• 複数のデータベースにわたる性能評価を通じて、モデルの頑健性とクロスデータセット適用性を向上させること。
• TVsとメル周波数ケプストラム係数（MFCCs）の特徴統合が、うつ病分類性能にどのように寄与するかを調査すること。
• 異なるデータセット間で変動が生じる中でも、TVsからのACFsがうつ病検出の強固なバイオマーカーであることを示すこと。

提案手法

• 2つのうつ病データベースの音声信号から発音路変数（TVs）を抽出し、その中から発音協調特徴（ACFs）を抽出する。
• ACFsを用いて、うつ病を示す階層的時系列パターンを学習する拡張畳み込みニューラルネットワーク（DCNN）を訓練する。
• 異なるデータベース間での一般化性能を評価するため、クロスコーパス評価（CCE）を実施する。
• TVsのACFsとメル周波数ケプストラム係数（MFCCs）を統合し、特徴表現を豊かにする。
• 標準的な深層学習損失関数を用いたエンドツーエンドの訓練により、分類器を最適化する。
• 標準的な指標（例：正解率）を用いて性能を評価し、単一データベースで訓練されたモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 2つのうつ病データベースのACFsで訓練された深層学習モデルは、単一データベースで訓練されたモデルよりも一般化性能が優れているか？
• RQ2 発音路変数（TVs）から導出されたACFsは、多様なデータセット間でうつ病検出のバイオマーカーとしてどれほど有効か？
• RQ3 TVsとMFCCsを統合することで、うつ病分類モデルの性能はどの程度向上するか？
• RQ4 複数データベースで訓練したモデルと単一データベースで訓練したモデルの両方を用いたクロスコーパス評価（CCE）において、モデル性能はどのように変化するか？
• RQ5 異なるデータベース間の変動に起因する性能低下を緩和できるほど、TVsからのACFsは頑健であるか？

主な発見

• 2つのデータベースのACFsで訓練された提案されたDCNNモデルは、単一データベースで訓練されたモデルを用いたクロスコーパス評価と比較して、約10%の相対的精度向上を達成した。
• 発音路変数（TVs）から導出された発音協調特徴（ACFs）は、多様なデータセット間で、うつ病検出のバイオマーカーとして強く頑健であることが示された。
• TVsのACFsとメル周波数ケプストラム係数（MFCCs）を統合することで、ACFs単体を使用した場合よりも分類器の性能がさらに向上した。
• クロスコーパス評価において、モデルの一般化性能が向上しており、データベース間の差異への感受性が低減していることが示された。
• 拡張畳み込みの導入により、ACF系列における長距離時系列依存性を効果的にモデル化でき、分類性能の向上に寄与した。
• 結果から、実世界のデータ変動が生じる中でも、TVsからのACFsは、うつ病検出に有望かつ信頼性の高い特徴セットであると考えられる。