Analisis Ucapan AI Dapat Mengesan Depresi pada Anak Muda

Penyelidikan baru menunjukkan algoritma pembelajaran mesin dapat mengesan tanda-tanda kegelisahan dan kemurungan dalam corak pertuturan anak-anak kecil. Teknik ini boleh menjadi kaedah yang lebih cepat dan lebih mudah untuk mengesan gangguan yang sukar dialami pada orang muda. Pengesanan awal mengenai masalah emosi adalah penting untuk memastikan penjagaan tepat pada masanya.

Penyiasat menjelaskan bahawa sekitar satu dari lima kanak-kanak menderita kegelisahan dan kemurungan, yang secara kolektif dikenali sebagai "gangguan dalaman." Walau bagaimanapun, tanda-tanda gangguan itu sukar dikenali kerana kanak-kanak di bawah usia lapan tahun tidak dapat menyatakan penderitaan emosi mereka dengan pasti, menjadikan keadaan ini sukar untuk dilihat.

Keperluan untuk membuat diagnosis tepat pada masanya adalah penting kerana akses kepada penyedia perkhidmatan, sama ada menjadwalkan masalah atau mendapatkan pengesahan insurans, sering merupakan proses yang sukar.

"Kami memerlukan ujian objektif yang cepat untuk menangkap anak-anak ketika mereka menderita," kata Dr. Ellen McGinnis, psikologi klinikal di Pusat Vermont Pusat Kanak-kanak, Remaja dan Keluarga Universiti Perubatan Vermont dan pengarang utama kajian ini. "Majoriti kanak-kanak di bawah umur lapan tahun tidak didiagnosis."

Penyelidikan ini muncul di Jurnal Informatik Bioperubatan dan Kesihatan.

Diagnosis awal sangat penting kerana kanak-kanak memberi tindak balas yang baik terhadap rawatan sementara otak mereka masih berkembang, tetapi jika mereka tidak dirawat, mereka berisiko lebih besar penyalahgunaan bahan dan bunuh diri di kemudian hari.

Diagnosis standard melibatkan wawancara separa berstruktur selama 60-90 minit dengan doktor terlatih dan penjaga utama mereka.

McGinnis, bersama dengan jurutera bioperubatan dan pengarang kanan kajian Universiti Vermont, Ryan McGinnis, telah mencari cara untuk menggunakan kecerdasan buatan dan pembelajaran mesin untuk membuat diagnosis lebih cepat dan lebih dipercayai.

Para penyelidik menggunakan versi yang disesuaikan dari tugas induksi mood yang disebut Trier-Social Stress Task, yang bertujuan untuk menimbulkan perasaan tekanan dan kegelisahan pada subjek.

Sekumpulan 71 kanak-kanak berusia antara tiga dan lapan tahun diminta untuk memperbaiki cerita tiga minit, dan mengatakan bahawa mereka akan dinilai berdasarkan betapa menariknya itu. Penyelidik yang bertindak sebagai hakim tetap tegas sepanjang ucapannya, dan hanya memberikan maklum balas neutral atau negatif. Setelah 90 saat, dan sekali lagi dengan baki 30 saat, bel akan berbunyi dan hakim akan memberitahu mereka berapa banyak masa yang tersisa.

"Tugas ini dirancang untuk menjadi stres, dan menempatkan mereka dalam pemikiran bahwa seseorang menilai mereka," kata Ellen McGinnis.

Anak-anak juga didiagnosis menggunakan temu bual klinikal berstruktur dan soal selidik ibu bapa, kedua-dua cara yang baik untuk mengenal pasti gangguan dalaman pada kanak-kanak.

Para penyelidik menggunakan algoritma pembelajaran mesin untuk menganalisis ciri statistik rakaman audio cerita setiap kanak-kanak dan mengaitkannya dengan diagnosis anak. Mereka mendapati algoritma sangat berjaya dalam mendiagnosis kanak-kanak, dan bahawa fasa pertengahan rakaman, antara kedua buzzer, adalah yang paling meramalkan diagnosis.

"Algoritma dapat mengenal pasti kanak-kanak dengan diagnosis gangguan dalaman dengan ketepatan 80 peratus, dan dalam kebanyakan kes yang dibandingkan dengan ketepatan senarai semak ibu bapa," kata Ryan McGinnis.

Ia juga dapat memberikan hasil dengan lebih cepat - algoritma memerlukan hanya beberapa saat masa pemprosesan setelah tugas selesai untuk memberikan diagnosis.

Algoritma mengenal pasti lapan ciri audio yang berbeza dari pertuturan kanak-kanak, tetapi tiga secara khusus menonjol sebagai sangat menunjukkan gangguan dalaman: suara bernada rendah, dengan nada dan isi ucapan yang berulang, dan tindak balas nada yang lebih tinggi terhadap bel yang mengejutkan.

Ellen McGinnis mengatakan bahawa ciri-ciri ini sesuai dengan apa yang anda harapkan daripada seseorang yang menderita kemurungan. "Suara suara yang rendah dan elemen ucapan yang berulang dapat mencerminkan apa yang kita fikirkan ketika kita berfikir tentang kemurungan: bercakap dengan suara monoton, mengulangi apa yang kamu katakan," kata Ellen McGinnis.

Tindak balas nada yang lebih tinggi terhadap buzzer juga mirip dengan tindak balas yang dijumpai para penyelidik dalam karya mereka sebelumnya, di mana kanak-kanak dengan gangguan dalaman didapati menunjukkan tindak balas yang lebih besar dari rangsangan yang menakutkan dalam tugas induksi ketakutan.

Analisis suara mempunyai ketepatan yang serupa dalam diagnosis dengan analisis gerakan pada karya sebelumnya, tetapi Ryan McGinnis berpendapat akan lebih mudah digunakan dalam keadaan klinikal.

Tugas ketakutan memerlukan ruangan yang gelap, ular mainan, sensor gerakan yang dilekatkan pada anak dan pemandu, sementara tugas suara hanya memerlukan hakim, cara untuk merakam ucapan dan bel untuk mengganggu. "Ini akan lebih layak digunakan," katanya.

Ellen McGinnis mengatakan langkah seterusnya adalah mengembangkan algoritma analisis pertuturan menjadi alat penyaringan universal untuk penggunaan klinikal, mungkin melalui aplikasi telefon pintar yang dapat merakam dan menganalisis hasil dengan segera.

Analisis suara juga dapat digabungkan dengan analisis gerakan menjadi sebilangan besar alat diagnostik yang dibantu teknologi, untuk membantu mengenal pasti kanak-kanak yang berisiko mengalami kegelisahan dan kemurungan bahkan sebelum ibu bapa mereka mengesyaki ada yang tidak betul.

Sumber: Universiti Vermont