本研究提出了一种针对老年人与年轻人群体差异的多模态个性化抑郁检测新方法,旨在提高抑郁症检测的准确性和个性化,推动心理健康研究的发展。
本研究利用大型语言模型生成合成数据,解决了自动抑郁检测中的数据隐私和稀缺性问题,增强了模型对抑郁强度的预测能力,为心理健康研究提供了新框架。
该文综述利用社交媒体与深度学习检测抑郁的研究,包括使用DSD模型、RoBERTa、DeBERTa及大语言模型提取临床相关特征与时间模式,构建自述症状数据集DepreSym,并探索ChatGPT生成合成数据与评估标注,以提升检测准确性与可解释性。
该文综述多项情感计算研究:智能手表传感器预测情绪准确率达93.75%;EmotionPush以彩色推送传达文本情感;可穿戴设备可区分高低正面情绪;EmoSpeech与EmoPP提升情感语音合成;MoodSwipe和Mood spRing实现情感交互;BERT检测抑郁文本准确率93%;EmoUS模拟用户情绪以评估对话系统。
完成下面两步后,将自动完成登录并继续当前操作。