Depressive and Mania Mood State Detection through Voice as a Biomarker Using Machine Learning
Notice bibliographique
Résumé
Abstract Background Both depressive and mania mood state have high prevalence and are important causes of social burden worldwide, however, there is still no objective indicator for detection. This study aimed to examine if voice could be used as a biomarker to detect these symptoms in China. Methods 1,287 voice messages from 81 subjects were classified into three groups: the depression mood state group (406 voice messages from n = 31), the mania mood state group (192 voice messages from n = 14), and the remission group (689 voice messages from n = 36), based on the scores of the MDQ, QIDS and YMRS. 34 features were extracted from voice records which is collected in real-world emotional diary. A three-group comparison was performed through analysis of Kruskal-Wallis H Test. Three feature extraction methods were adopted and four machine learning methods were performed. Results 33 voice indicators showed differences among the three groups( p < 0.05). Among the machine learning methods, the best performance was obtained using the Gate Recurrent Unit with 79.6% sensitivity, 91.1% specificity and 82.5% sensitivity, 90.7% specificity for the detection of depressive and mania mood state respectively. Conclusions This study further revealed participants with depressive or manic mood state could be accurately distinguished through machine learning. Although this study is limited by a small sample size, it is the first study on voice as a biomarker in both depressive and mania mood state which suggests the possibility of detecting these mood states through voice.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 tête enseignante, 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 ».