Depression recognition from speech

Georgiadou, Aikaterini; Γεωργιάδου, Αικατερίνη

dc.contributor.advisor	Maglogiannis, Ilias
dc.contributor.advisor	Μαγκλογιάννης, Ηλίας
dc.contributor.author	Georgiadou, Aikaterini
dc.contributor.author	Γεωργιάδου, Αικατερίνη
dc.date.accessioned	2022-11-09T09:44:14Z
dc.date.available	2022-11-09T09:44:14Z
dc.date.issued	2022-06
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/14789
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/2211
dc.description.abstract	Η κατάθλιψη, γνωστή επίσης ως μείζων καταθλιπτική διαταραχή, είναι μια σημαντική διαταραχή ψυχικής υγείας που επηρεάζει όλο και περισσότερες ζωές παγκοσμίως. Έχει αρνητικό αντίκτυπο στη συναισθηματική, σωματική και ψυχολογική κατάσταση ενός ατόμου. Για να διαγνωστεί ένα άτομο με κατάθλιψη, πρέπει να πραγματοποιηθεί μια σειρά εξετάσεων, ενώ μια σειρά συμπτωμάτων πρέπει να είναι παρούσα για τουλάχιστον 2 συνεχείς εβδομάδες. Τα πιο κοινά συμπτώματα της κατάθλιψης περιλαμβάνουν κακή διάθεση, αίσθηση απελπισίας, έλλειψη ενδιαφέροντος για τις καθημερινές δραστηριότητες, άγχος, ευερεθιστότητα, και μειωμένη όρεξη. Ωστόσο, η κατάθλιψη είναι δυνατόν να θεραπευτεί και η έγκαιρη ανίχνευση αυξάνει εκθετικά τη δυνατότητα ελέγχου της κατάστασης. Η πολυπλοκότητα της διαδικασίας αναγνώρισης της κατάθλιψης θέτει προκλήσεις για τους κλινικούς ιατρούς όσον αφορά τόσο την ακρίβεια της διάγνωσης όσο και την έγκαιρη θεραπεία, δεδομένου ότι η ασθένεια μπορεί να είναι αδιάγνωστη για πολλούς μήνες ή ακόμη και χρόνια, καθώς και το γεγονός ότι οι καθυστερήσεις στην αναγνώριση και τη θεραπεία μπορεί να είναι ζωτικής σημασίας για τη ζωή του ασθενούς. Για το σκοπό αυτό, η μηχανική μάθηση έχει εισαχθεί στον ιατρικό τομέα για να παρέχει εργαλεία ικανά να βελτιώσουν τον απαιτούμενο χρόνο καθώς και την ακρίβεια της διαδικασίας αναγνώρισης, ελαχιστοποιώντας παράλληλα τις ανθρώπινες παρεμβολές. Για το σκοπό αυτό, η παρούσα πτυχιακή εργασία μελετά τη χρήση μοντέλων μηχανικής μάθησης για την αναγνώριση της κατάθλιψης χρησιμοποιώντας ηχητικά δεδομένα από την γνωστή βάση δεδομένων DAIC-WOZ, η οποία περιέχει κλινικές συνεντεύξεις που έχουν σχεδιαστεί ειδικά για να υποστηρίξουν τη διάγνωση καταστάσεων ψυχολογικής δυσφορίας. Όσον αφορά τις ηχητικές πληροφορίες, χρησιμοποιήθηκαν οι δυνατότητες του συνεργατικού αποθετηρίου ανάλυσης φωνής (COVAREP) που παρέχονται από το dataset. Η ταξινόμηση πραγματοποιείται χρησιμοποιώντας τα παρακάτω μοντέλα Decision Tree, Random Forest, AdaBoost, Support Vector Machine and Multilayer Perceptron . Το μοντέλο AdaBoost πέτυχε τα καλύτερα αποτελέσματα και θεωρείται ένα καλό μοντέλο για την πρόβλεψη της κατάθλιψης.	el
dc.format.extent	60	el
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Depression recognition from speech	el
dc.title.alternative	Ανάλυση ηχητικών εγγραφών ή βίντεο για την αναγνώριση της κατάθλιψης	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Depression, also known as major depressive disorder, is a major mental health disorder that is affecting ever more lives worldwide. It has a negative impact on the emotional, physical, and psychological state of a person. For a person to be diagnosed with depression, a series of tests must be performed while a series of symptoms must be present for at least 2 continuous weeks. Depression’s most common symptoms include feeling down or feeling worthless, lack of interest in daily activities, anxiety, irritability, and reduced appetite. However, depression is possible to cure, and early detection increases exponentially the possibility of controlling the condition. The complexity of the depression recognition process poses challenges for clinicians regarding both the accuracy of the diagnosis and the timely treatment, given that the disease can be undiagnosed for many months or years, and the fact that delays in the recognition and the treatment can be vital on the life of the patient. To that end, machine learning has been introduced to the medical field to provide tools capable of enhancing the time needed as well as the accuracy and precision of the recognition process, while minimizing human interference. For this purpose, this thesis studies the use of machine learning models for Depression Recognition using audio data from the widely known database DAIC-WOZ which contains clinical interviews designed specifically to support the diagnosis of psychological distress conditions. Regarding the audio information, the collaborative voice analysis repository (COVAREP) features provided by the dataset were used. Classification is performed using the following models Decision Tree, Random Forest, AdaBoost, Support Vector Machine, and Multilayer Perceptron. AdaBoost achieved the best results and is considered a good model for depression prediction.	el
dc.contributor.master	Ψηφιακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Depression recognition	el
dc.subject.keyword	Daic-Wox dataset	el
dc.subject.keyword	Audio classification	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Audio analysis	el
dc.subject.keyword	Αναγνώριση κατάθλιψης	el
dc.subject.keyword	Κατηγοριοποίηση ηχητικών δεδομένων	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Ιατρικά δεδομένα	el
dc.date.defense	2022-06

Αρχεία σε αυτό το τεκμήριο

Name:: Georgiadou_1923.pdf
Μέγεθος:: 1.480Mb
Τύπος:: PDF
Description:: Master thesis

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα