计算机科学 > 计算与语言
[提交于 2024年12月31日
]
标题: 优化语音输入长度以进行独立于说话人的抑郁分类
标题: Optimizing Speech-Input Length for Speaker-Independent Depression Classification
摘要: 基于语音的抑郁症分类机器学习模型为医疗应用提供了希望。 尽管在抑郁症分类方面有越来越多的研究,但关于语音输入长度如何影响模型性能的理解仍然有限。 我们分析了使用来自人机健康筛查应用的超过1400小时语音语料库进行的独立说话人抑郁症分类结果。 我们研究了两种在整体性能上有所不同的自然语言处理系统的性能,作为响应输入长度的函数。 两种系统的结果显示,性能取决于自然长度、经过时间长度以及响应在会话中的顺序。 系统共享一个最小长度阈值,但在响应饱和阈值上有所不同,较好的系统该阈值更高。 在饱和时,向说话人提出新问题比继续当前响应更好。 这些以及额外报告的结果表明,应用程序可以更好地设计以激发和处理用于抑郁症分类的最佳输入长度。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.