[论文解读] 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 5

一句话总结

本文提出了一种基于扩张卷积神经网络（DCNN）的广义抑郁分类模型，该模型在两个抑郁数据库中提取的言语通道变量（TVs）的发音协调特征（ACFs）上进行训练。该方法在单数据库跨语料库评估中实现了约10%的相对准确率提升，并通过与梅尔频率倒谱系数（MFCCs）融合进一步提升了性能。

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.

研究动机与目标

• 解决现有抑郁检测模型在单一数据库上训练时泛化能力有限的问题。
• 基于从言语通道变量（TVs）中提取的发音协调特征（ACFs），开发一种广义抑郁分类器。
• 通过在多个数据库上评估模型性能，以增强其鲁棒性与跨数据集适用性。
• 研究TVs与梅尔频率倒谱系数（MFCCs）的特征融合，以提升分类性能。
• 证明尽管数据集间存在差异，TVs的ACFs仍可作为抑郁检测的稳健生物标志物集。

提出的方法

• 从两个抑郁数据库的语音信号中提取言语通道变量（TVs）的发音协调特征（ACFs）。
• 使用ACFs训练扩张卷积神经网络（DCNN），以学习与抑郁相关的分层时间模式。
• 进行跨语料库评估（CCE），以评估模型在不同数据库间的泛化能力。
• 将TVs的ACFs与梅尔频率倒谱系数（MFCCs）融合，以丰富特征表示。
• 使用标准深度学习损失函数进行端到端训练以优化分类器。
• 使用标准指标（如准确率）评估性能，并与在单个数据库上训练的模型进行比较。

实验结果

研究问题

• RQ1 在两个抑郁数据库的ACFs上训练的深度学习模型，是否能比在单一数据库上训练的模型展现出更好的泛化能力？
• RQ2 从言语通道变量（TVs）中提取的ACFs在不同数据集上作为抑郁检测生物标志物的表现如何？
• RQ3 将TVs与MFCCs融合，能在多大程度上提升抑郁分类模型的性能？
• RQ4 当在多个数据库与单一数据库上训练时，模型在跨语料库评估（CCEs）中的性能表现有何差异？
• RQ5 TVs的ACFs是否足够稳健，能够缓解因数据集间差异导致的性能下降？

主要发现

• 在两个数据库的ACFs上训练的DCNN模型，相比在单一数据库上训练的模型进行跨语料库评估，实现了约10%的相对准确率提升。
• 从言语通道变量（TVs）中提取的发音协调特征（ACFs）在多样化数据集上表现出强大的稳健性，可作为抑郁检测的生物标志物。
• 将TVs与梅尔频率倒谱系数（MFCCs）融合，可进一步提升分类器性能，超越仅使用ACFs的效果。
• 模型在跨语料库评估中表现出更好的泛化能力，表明对数据集间差异的敏感性降低。
• 扩张卷积的使用有效建模了ACF序列中的长程时间依赖关系，从而提升了分类性能。
• 结果表明，尽管存在真实世界中的数据变异性，TVs的ACFs仍是抑郁检测中一种有前景且可靠的特征集合。