Depresjonsdetektor

Illustrasjon av person med snakkeboble som viser en hjerne i den. Ms. Tech; Ansiktsprofil av Marek Polakovic, SK | Substantivprosjekt

For å diagnostisere depresjon, intervjuer klinikere pasienter og stiller spesifikke spørsmål – for eksempel om tidligere psykiske sykdommer, livsstil og humør.

Maskinlæring som kan oppdage ord og intonasjoner assosiert med depresjon kan hjelpe med diagnostikk. Men slike modeller har en tendens til å forutsi depresjon fra personens spesifikke svar på veldig spesifikke spørsmål.

En ny nevrale nettverksmodell utviklet ved MIT kan slippes løs på rå tekst- og lyddata fra intervjuer for å oppdage talemønstre som indikerer depresjon. Gitt et nytt emne, kan det nøyaktig forutsi om individet er deprimert uten å trenge annen informasjon om spørsmålene og svarene.

Modellen ser sekvenser av ord eller talestil, og bestemmer at disse mønstrene er mer sannsynlig å bli sett hos personer som er deprimerte eller ikke deprimerte, sier EECS-graduate student og CSAIL-forsker Tuka Alhanai, SM '14, førsteforfatter på en artikkel presentert på Interspeech-konferansen. Så, hvis den ser de samme sekvensene i nye fag, kan den forutsi om de også er deprimerte.

Denne forskningen kan føre til verktøy for å oppdage tegn på depresjon i naturlig samtale. For eksempel kan apper som varsler brukere om tegn på nød i tekst- og talekommunikasjonen være nyttige for de som ikke kan komme til en kliniker for diagnose på grunn av avstand, kostnader eller manglende bevissthet om at noe kan være galt. Teknologien kan også bidra til å identifisere psykiske plager under tilfeldige samtaler på kliniske kontorer. —

gjemme seg