Predicting Depression Risk from Facial Video-Derived Heart Rate Estimates
Notice bibliographique
Résumé
Common mental disorder is caused due to depression. Medical study shows that heart rate is linked to depression. Heart rate can give early warning of potential depression. Heart rate could predict the risk of depression. This link helps diagnosis and treatment of mental health issues like depression. Heart rate of healthy person is 60-85 beats per minute. When a person is depressed, his heart rate is not in normal range. Heart rate of depressed human being is increased beyond 85 beats per minute. Depression can be predicted with a 90% accuracy by analyzing a person’s heart rate. Using Eulerian Video Magnification algorithm, it is possible to calculate heart rate of person from facial video. Which gives benefit that no need of physical contact with the person. In the proposed research Heart rate is calculated by inputting face videos. Questionnaire is formed that contains 32 questions useful for depression assessment. Real time video dataset is collected while asking depression questionnaire to the people of all age groups. Using Eulerian Video Magnification algorithm, facial video is amplified and heart rate is estimated. Based on range, dataset is labeled as depressed or not depressed. By applying machine learning algorithms like Decision Tree (DT), Support Vector Machine (SVM) and Random forest (RF), dataset is classified with accuracy ranging from 96% to 100%. The performance of this research when compared with related work carried out for same research purpose, it is observed that accuracy obtained for this research work is 51% to 85.7% till date. This research gives more accurate model with new approach to predict risk of depression using heart rate estimated from facial videos.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».