Depressionsdetektor

Illustration af person med taleboble, der viser en hjerne i den. Frk. Tech; Ansigtsprofil af Marek Polakovic, SK | Navneordsprojekt

For at diagnosticere depression interviewer klinikere patienter og stiller specifikke spørgsmål - om for eksempel tidligere psykiske sygdomme, livsstil og humør.

Maskinlæring, der kan registrere ord og intonationer forbundet med depression, kunne hjælpe med diagnostik. Men sådanne modeller har en tendens til at forudsige depression ud fra personens specifikke svar på meget specifikke spørgsmål.

En ny neural-netværksmodel udviklet på MIT kan frigives på rå tekst- og lyddata fra interviews for at opdage talemønstre, der indikerer depression. Givet et nyt emne, kan det præcist forudsige, om individet er deprimeret uden at have brug for anden information om spørgsmålene og svarene.

Modellen ser sekvenser af ord eller talestil og bestemmer, at disse mønstre er mere tilbøjelige til at blive set hos mennesker, der er deprimerede eller ikke deprimerede, siger EECS-kandidatstuderende og CSAIL-forsker Tuka Alhanai, SM '14, førsteforfatter på en præsentation på Interspeech-konferencen. Så, hvis den ser de samme sekvenser i nye emner, kan den forudsige, om de også er deprimerede.

Denne forskning kan føre til værktøjer til at opdage tegn på depression i naturlig samtale. For eksempel kan apps, der advarer brugere om tegn på nød i deres tekst- og stemmekommunikation, være nyttige for dem, der ikke kan komme til en kliniker til diagnose på grund af afstand, omkostninger eller manglende bevidsthed om, at noget kan være galt. Teknologien kan også hjælpe med at identificere psykiske lidelser under tilfældige samtaler på kliniske kontorer. —

skjule