Esta página se ha traducido automáticamente del turco. Leer el original

Esta página es un resumen en turco, elaborado con ayuda de inteligencia artificial, del trabajo presentado en el 26.º Congreso Mundial de Psiquiatría. El trabajo pertenece a los autores que lo presentan; para citarlo, consulte la fuente original.

EV0460

Detección multilingüe de la depresión mediante análisis del habla basado en CNN

MULTILINGUAL DEPRESSION DETECTION USING CNN-BASED SPEECH ANALYSIS

Una red neuronal convolucional entrenada con características de espectrogramas de mel detectó la depresión en datos de habla en chino e inglés con puntuaciones F1 de 0,84 y 0,74 en los modelos monolingües, respectivamente; el rendimiento del modelo multilingüe conjunto, que combinaba ambos conjuntos de datos, se mantuvo dentro del intervalo de los modelos monolingües.

El objetivo es demostrar la viabilidad de la detección de la depresión basada en el habla e independiente del idioma mediante el estudio de la relación entre el habla, el lenguaje y la depresión. Se utilizaron dos conjuntos de datos: el conjunto DAIC-WOZ en inglés (189 personas, con una puntuación PHQ-8 asignada por un psicólogo a cada archivo de audio) y un conjunto de datos en chino (212 participantes; 168 con depresión y 44 sanos; se utilizó la HAMD para evaluar la gravedad). Según la Tabla 1, el conjunto en inglés incluye a 56 participantes con depresión y 133 sin depresión; el conjunto en chino, a 168 con depresión y 44 sin depresión; y el conjunto combinado, a 224 con depresión y 177 sin depresión. La mención de 146 participantes con depresión y 43 sanos en el texto del póster no coincide con esta tabla; en los análisis se utilizaron 6325 muestras de 5 segundos en cada celda. Se eliminaron los silencios de las grabaciones de audio y estas se dividieron en segmentos de 5 segundos; para abordar el desequilibrio de los datos, se aplicaron SMOTE (técnica de sobremuestreo sintético de la clase minoritaria) y aumento de datos. Las características de los espectrogramas de mel se introdujeron en una red neuronal convolucional (convolutional neural network, CNN); se calcularon la sensibilidad (recall), la especificidad (specificity), la precisión (precision), la puntuación F1 y la exactitud (accuracy). En los modelos monolingües, para el chino se obtuvieron una exactitud de 0,85, una sensibilidad de 0,79, una especificidad de 0,90, una precisión de 0,89 y una puntuación F1 de 0,84; para el inglés, una exactitud de 0,73, una sensibilidad de 0,78, una especificidad de 0,68, una precisión de 0,70 y una puntuación F1 de 0,74. Con la estrategia lingüística conjunta, en la que se combinaron ambos conjuntos de datos para el entrenamiento y la prueba, se obtuvieron una exactitud de 0,74 y una puntuación F1 de 0,75 en el conjunto de prueba combinado; una exactitud de 0,64 y una puntuación F1 de 0,66 en la prueba realizada únicamente en chino; y una exactitud de 0,84 y una puntuación F1 de 0,84 en la prueba realizada únicamente en inglés. Los autores señalan que el rendimiento del modelo multilingüe se mantuvo dentro del intervalo observado en los modelos monolingües y que el modelo conjunto se benefició de la integración de información entre idiomas, aunque podría verse afectado por las diferencias entre los conjuntos de datos específicos de cada idioma. La relevancia clínica radica en que los modelos multilingües de aprendizaje profundo podrían contribuir al cribado de problemas de salud mental y servir de apoyo al seguimiento a largo plazo, especialmente cuando no se dispone de un corpus sobre depresión en el idioma correspondiente para el entrenamiento.

Todos los resúmenes del WCP 2026