発話音声の音響特徴量を用いた抑うつ度推定手法
デジタルデータあり（Japan Link Center）
すぐに読む
CiNii Research
全国の図書館の所蔵
国立国会図書館以外の全国の図書館の所蔵状況を表示します。
所蔵のある図書館から取寄せることが可能かなど、資料の利用方法は、ご自身が利用されるお近くの図書館へご相談ください
書誌情報
この資料の詳細や典拠（同じ主題の資料を指すキーワード、著者名）等を確認できます。
- 資料種別
- 記事
- 出版年月日等
- 2023
- 出版年（W3CDTF）
- 2023
- タイトル（掲載誌）
- JSAI大会論文集
- 巻号年月日等（掲載誌）
- JSAI2023 0
- 掲載巻
- JSAI2023
- 掲載号
- 0
- 掲載ページ
- 1O3GS705-1O3GS705
- 掲載年月日（W3CDTF）
- 2023
- 出版事項（掲載誌）
- The Japanese Society for Artificial Intelligence
- 本文の言語コード
- ja
- 対象利用者
- 一般
- イベントの日付、場所
- 2023年度人工知能学会全国大会（第37回）
- DOI
- 10.11517/pjsai.jsai2023.0_1o3gs705
- 連携機関・データベース
- 国立情報学研究所 : CiNii Research
- 提供元機関・データベース
- Japan Link Center学術機関リポジトリデータベース
- 要約等
- In this paper, we propose a method to estimate speaker's depression score using acoustic features of his/her speech. 150 speech utterances that 15 subjects read 10 types of sentences were recorded as training data, and the depression scores of the subjects were calculated by Beck Depression Inventory (BDI) just after the recording. Acoustic features are calculated by using openSMILE or Surfboard, and Support Vector Regression or LightGBM are used for machine learning procedure. The experimental results showed that the estimated depression scores obtained a correlate efficient of 0.932 with the correct answer.本論文では，入力発話から得られた音響特徴量を用いて話者の抑うつ度を推定する手法を提案する．学習用発話音声データは実験参加者に同じ10文を音読してもらうことで収録し，音声収録の直後にベックうつ病調査票（BDI）に回答してもらうことで抑うつ度を判定している．音響特徴量については，2種類の音響分析器（openSMILE，Surfboard）で算出した音響特徴量セットおよびそこから絞り込んだ音響特徴量セットを用いる．また，機械学習器にはサポートベクター回帰とLightGBMの2種類を用いる． 実験の結果，leave-one-outで最も正解値との相関が高かったのは学習器LightGBM，特徴量Surfboardを用いた手法であった（相関係数0.932）．一方，leave-one-person-outでは，学習器LightGBM，特徴量Surfboard（絞り込み）を用いた手法で最も相関が高かった（相関係数0.344） が，全体的に相関が弱い傾向にあった．そこで，抑うつ度が極端に高いデータおよび極端に低いデータを除いて再度実験を行ったところ，相関係数0.798という結果が得られた．
- オンライン閲覧公開範囲
- インターネット公開
- 著作権情報
- 本著作物の著作権は人工知能学会に帰属します。本著作物は著作権者である人工知能学会の許可のもとに掲載するものです。ご利用に当たっては「著作権法」に従うことをお願いいたします。
- 関連情報
- 人工知能学会
- 掲載誌（NCID）
- AA11578981
- 連携機関・データベース
- 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）
- 提供元機関・データベース
- 広島市立大学 : 広島市立大学学術リポジトリ