سنجش نشانه‌های افسردگی با تحلیل گفتار و حالات چهره

مجموعه: اخبار علمی و آموزشی

تاریخ انتشار : چهارشنبه, 14 آذر 1397 14:09

به گزارش ایسنا و به نقل از تک‌اکسپلور، پژوهشگران "دانشگاه استنفورد"(Stanford University) با تحلیل زبان گفتار و حالت‌های سه‌بعدی چهره، کاربرد یادگیری ماشینی را در سنجش نشانه‌های افسردگی بررسی کردند. روش چند مدلی آنها با حساسیت 83.3 درصد و ویژگی 82.6 درصد، نتایج امیدوارکننده‌ای را به دنبال داشت.

در حال حاضر، بیش از 300 میلیون نفر در سرتاسر جهان از اختلالات افسردگی در سطوح گوناگون رنج می‌برند. افسردگی در سطوح بالاتر می‌تواند به خودکشی منجر شود و هر سال، سرنوشت تقریبا 800 هزار نفر به خودکشی می انجامد.

اختلالات سلامت روان، با کمک معاینه دقیق توسط طیف گسترده‌ای از ارائه‌دهندگان خدمات بهداشتی از جمله پزشکان مراقبت‌های اولیه، روانشناسان بالینی و روانپزشکان، قابل تشخیص هستند.

بسیاری عوامل از جمله انگیزه اجتماعی، هزینه و دسترسی به درمان می‌توانند افراد را از درخواست کمک بازدارند. پژوهشگران تخمین می‌زنند که در حال حاضر، 60 درصد افراد مبتلا به بیماری روحی، هیچ درمانی دریافت نمی‌کنند.

ابداع روش‌هایی برای تشخیص نشانه‌های افسردگی، امکان تشخیص نشانه‌های افسردگی را به صورت خودکار ممکن می‌کند و دقت و دسترسی ابزار تشخیصی را بهبود می‌بخشد. به همین دلیل پژوهشگران دانشگاه استنفورد، کاربرد یادگیری ماشینی را برای سنجش شدت نشانه‌های افسردگی بررسی کردند.

در مقاله این پژوهش آمده است: ما در این بررسی، نوعی روش یادگیری ماشینی برای سنجش شدت نشانه‌های افسردگی ارائه داده‌ایم. در این روش، از حالات سه بعدی چهره و زبان گفتار استفاده می‌شود که معمولا در تلفن‌های همراه در دسترس هستند.

این روش، صدای بیماران، ویدئوی سه‌بعدی حالات چهره و مصاحبه بالینی آنان را تحلیل می‌کند. سپس، مدل براساس داده‌های به دست آمده، یک رتبه یا طبقه‌بندی برای اختلال افسردگی ارائه می‌دهد.

در ادامه مقاله آمده است: این پژوهش نشان داد که بیماران هنگام مصاحبه با یک آواتار، ترس کمتر و شدت عاطفی بیشتری از خود نشان می‌دهند. به علاوه، صحبت کردن با آواتار، مزایای روانی بیشتری را برای بیماران به همراه دارد.

شاید بتوان در آینده، این روش را در تلفن‌های همراه به کار گرفت تا امکان مراقبت‌های سلامتی کم‌هزینه و در دسترس فراهم کند.