| dc.contributor | Bezerra, Leonardo César Teonácio | |
| dc.contributor | Aranha, Claus de Castro | |
| dc.contributor | de Araújo, Daniel Sabino Amorim | |
| dc.contributor | Bezerra, Leonardo César Teonácio | |
| dc.creator | Neves, Deângela Caroline Gomes | |
| dc.date | 2019-07-16T13:52:11Z | |
| dc.date | 2021-10-06T11:52:26Z | |
| dc.date | 2019-07-16T13:52:11Z | |
| dc.date | 2021-10-06T11:52:26Z | |
| dc.date | 2019-06-26 | |
| dc.identifier | 20170155372 | |
| dc.identifier | NEVES. Deângela Caroline Gomes. Using Artificial Intelligence to Aid Depression Detection. 2019. 25f. Trabalho de Conclusão de Curso (Graduação em Engenharia da Computação) - Departamento de Engenharia da Computação, Universidade Federal do Rio Grande do Norte, Natal, 2019. | |
| dc.identifier | https://repositorio.ufrn.br/handle/123456789/43663 | |
| dc.description | A depressão é um transtorno psicológico que causa alterações comportamentais e no humor de uma pessoa, e é considerada um problema de saúde pública. Estudos recentes mostram as vantagens de se utilizar algoritmos de machine learning não só para automatizar, mas também melhorar o processo de triagem para depressão. Neste trabalho, é feito uma análise de dados exploratória no dataset Distress Analysis Interview Corpus-Wizard of Oz (DAIC-WOZ), que consiste em um conjunto entrevistas clínicas e questionários de mais de 100 indivíduos. Além disso, utiliza-se a mesma base de dados para desenvolver um modelo multimodal de Aprendizagem Profunda, que combina dados de áudio, vídeo e texto para classificar o resultado de triagens para depressão. Os dados utilizados no modelo são extraídos a partir de uma rede pretreinada VGGish, do OpenFace e Doc2Vec, respectivamente. Em seguida, esses dados são utilizados para alimentar uma rede neural perceptron de múltiplas camadas, que os classifica como depressivos ou não-depressivos na triagem. Por fim, o modelo proposto é comparado a outras abordagens existentes na literatura a partir de metricas padrão de classificação binária. | |
| dc.description | Depression is a mental illness that affects a person’s mood, thinking, and behavior. Besides personal distress, depression is also considered a matter of public health. Recent research shows the advantages of using machine learning algorithms to automate and improve the screening for depression. In this thesis, we address the Distress Analysis Interview Corpus-Wizard of Oz (DAIC-WOZ) database, comprising clinical interviews and
questionnaire assessments of over a hundred individuals. To automate the screening, we investigate a deep learning multimodal model, combining audio, visual, and text features. These features are extracted using VGGish model, OpenFace, and Doc2Vec, respectively, and fed into a multilayer perceptron (MLP) network to classify individuals as depressed or non-depressed. We compare the proposed approach to similar existing approaches from the literature through standard binary classification metrics. | |
| dc.format | application/pdf | |
| dc.language | en | |
| dc.publisher | Universidade Federal do Rio Grande do Norte | |
| dc.publisher | Brasil | |
| dc.publisher | UFRN | |
| dc.publisher | Engenharia da Computação | |
| dc.subject | Deep Learning | |
| dc.subject | Depression | |
| dc.subject | DAIC-WOZ | |
| dc.title | Using Artificial Intelligence to Aid Depression Detection | |
| dc.type | bachelorThesis | |
