СРАВНЕНИЕ МАШИННОГО ОБУЧЕНИЯ И ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ ДЛЯ РАСПОЗНАВАНИЯ ДЕПРЕССИИ ПО РЕЧИ

Аннотация

Обучение с подкреплением является одним из наиболее перспективных методов машинного обучения, который используется для обучения компьютерных систем для принятия решений в целях получения оптимальных результатов, а человеческая речь несет богатую информацию не только о содержании общения, но и о ментальном состоянии говорящего. Поэтому в данной статье изучается возможность применения данного подхода для автоматического определения депрессии у человека на основании речевых данных. Данная статья показывает сравнительный анализ между различными методами традиционного машинного обучением и обучения с подкреплением (reinforcement learning (RL)) для определения депрессии из человеческой речи с использованием речевых характеристик такие как Мел-частотные кепстральные коэффициенты. Для сравнения были оценены методы машинного обучения: логистическая регрессия, метод опорных векторов (SVM), LSTM и Q-обучение с подкреплением. Также, данные модели были протестированы на несбалансированных, вручную сбалансированных и SMOTE(synthetic minority over-sampling technique) сбалансированных наборах данных. Обучение с подкреплением достигло наилучшего значения F1 оценки равным 0.658 и AUC-ROC значения равным 0.628. Анализ с традиционными техниками показал сопоставимые или в некоторых случаях лучшие показатели в определении депрессии у человека по речи при обучении на наборе данных сбалансированных в ручную. Полученные результаты подчеркивают высокий потенциал использования обучения с подкреплением в последовательных обучениях для получения моделей принятия решения для диагностики ментального состояния человека на основе речевых данных.