量化情感动态以通过Twitter实现多标签检测心理健康障碍
《IEEE Access》:Quantifying Emotion Dynamics for Multi-Label Detection of Mental Health Disorders from Twitter
【字体:
大
中
小
】
时间:2026年06月02日
来源:IEEE Access 3.6
编辑推荐:
摘要:全球范围内,精神健康障碍的患病率逐年上升,但由于传统诊断方法存在诸多局限性,这些方法仍然无法有效应对这一问题。机器学习检测模型有望成为精神科医生的辅助工具,帮助克服这些局限性。近期研究指出,从社交媒体文本帖子中提取的情绪动态可以作为精神健康障碍的有用指标。然而,这些方法的
摘要:
全球范围内,精神健康障碍的患病率逐年上升,但由于传统诊断方法存在诸多局限性,这些方法仍然无法有效应对这一问题。机器学习检测模型有望成为精神科医生的辅助工具,帮助克服这些局限性。近期研究指出,从社交媒体文本帖子中提取的情绪动态可以作为精神健康障碍的有用指标。然而,这些方法的有效性仅在患病者和健康者之间进行了验证。本研究探讨了利用从Twitter文本帖子中提取的十一种情绪的表述情绪动态(UED)来分析和检测八种精神健康障碍的方法,这八种障碍包括注意力缺陷/多动障碍(ADHD)、焦虑症、双相情感障碍、抑郁症、重度抑郁症(MDD)、强迫症(OCD)、产后抑郁症(PPD)和创伤后应激障碍(PTSD)。逻辑回归分析发现了33个独特的UED情绪特征,这些特征能够区分不同类型的障碍。这些特征包括情绪的位移次数、位移长度、峰值距离、上升速率和恢复速率等。通过二元相关性分类实验发现,在浅层学习模型中使用UED特征时,平均二元F1分数为0.258;而在深度学习模型中使用情绪时间序列时,平均二元F1分数为0.222。对于大多数障碍模型而言,非共线且具有统计学显著性的特征集是最有效的特征集。本研究为未来利用UED进行多标签精神健康障碍检测奠定了基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号