Depression Micro-Expression Recognition Technology Based on Multimodal Knowledge Graphs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
According to authoritative surveys, 24.6% of contemporary college students experience varying degrees of mental health issues, with an annual increase of 1-3%.Severe depression, in particular, can lead to campus crises.Research by experts has demonstrated that microexpression recognition plays a significant predictive role in depression and holds considerable clinical value.This study first collects multimodal data from conversations between students and psychological counselors using professional equipment, including speech, video, and psychological scale data, to construct a multimodal psychological dataset for college students.The study utilizes a Kinect camera to convert speech into text for analysis and performs micro-expression analysis on video images.Addressing the limitations of traditional expression recognition methods in capturing subtle microexpressions, this paper proposes a micro-expression recognition model based on a Convolutional Neural Network (CNN)+ Graph Convolutional Network (GCN) transfer learning network.Leveraging the unique advantage of GCNs in automatically updating node information, the model captures the dependencies between image data and corresponding emotional labels in micro-expression sequences.The network model is pre-trained on the CAS(ME) 3 dataset to obtain initial parameters, followed by transfer learning to retrain the model for application to the college students' multimodal psychological dataset, ultimately producing representation vectors of micro-expressions.By correlating these representation vectors with various emotional categories, a multimodal knowledge graph based on video, speech, and psychological scale data is constructed.Experimental comparisons demonstrate that the proposed model effectively enhances micro-expression recognition performance and accurately identifies students' depressive states when combined with the multimodal knowledge graph.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 0,000 |
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 découle