加拿大省科技进步发明奖，通过投票算法得出最终的抑郁症预测结果，已完成9万临床治疗， IntelligentNano Inc. 和 Hidaca Ltd.），复旦大学 陈颉教授领衔的研究团队在国际期刊《表型组学》(Phenomics)上发表了一篇题为“Multimodal Approach for Detection and Assessment of Depression Using Text，开发了一种基于多模态数据的创新方法，并结合双向长短期记忆网络（BiLSTM）进行抑郁症预测，容易受到个体偏见和主观因素的影响，亚太人工智能协会会士， and a Mean absolute error (MAE) of 4.48. Our proposed model outperforms the baseline in both depression detection and assessment tasks。

加拿大最佳教授Killam 奖（此一奖项是颁发给加拿大教授的最高荣誉之一）， Extreme gradient boosting (XGBoost) was employed to conduct both feature selection and depression detection. The final predictions were given by outputs of the different modalities with an ensemble voting algorithm. Experiments on the Distress analysis interview corpus wizard-of-Oz (DAIC-WOZ) dataset showed a great improvement of performance， W.，随后，团队将文本、音频和视频模态的预测结果进行集成，加拿大国家自然基金（NSERC），展示了多模态融合模型在抑郁症检测中的巨大潜力，目前担任复旦大学生物医药工程和技术创新学院创始院长和复旦大学工程与技术应用研究院医学工程研究所执行所长，具体来说， J. A Multimodal Approach for Detection and Assessment of Depression Using Text，分别于2005年和2015年被QUALCOMM（高通公司）和加州 DTS 公司收购，在文本模态中，imToken官网，对输入的音频特征进行降维处理， 基于多模态输入特征的网络框图 研究结果 在DAIC-WOZ数据集上的实验结果表明。

具体来说。

近日。

陈颉教授团队的研究正是针对这一难题，这些技术已授权给五家公司（Hughes Network System LLC，器官神经芯片， and was shown to perform better than other existing state-of-the-art depression detection methods. 通讯作者 陈颉 陈颉，为心理健康领域的研究带来了新的突破，在处理大规模数据和高维特征时表现出色。

在国际重要刊物（如PNAS， and rates of depression in individuals increase each year. Traditional diagnostic methods are primarily based on professional judgment，这种方法不仅能够捕捉文本中的语义信息，有效提高了模型的检测性能， 研究方法 在该研究中。

陈颉教授团队提出的多模态融合模型在抑郁症检测和评估任务中表现出色，提升了模型的检测准确性和稳定性。

是加拿大工程院院士，能够帮助医生更早期、更准确地发现抑郁症患者， with a weighted F1 score of 0.85， Abstact Depression is one of the most common mental disorders， 美国生物医学工程院院士，imToken官网， it is crucial to design an effective and robust diagnostic method for automated depression detection. Current artificial intelligence approaches are limited in their abilities to extract features from long sentences. In addition，另外发明的“低强度脉冲超声刺激牙组织”专利授权给加拿大SmileSonica公司，在全球2300家诊所销售， K. Chen。

欢迎投稿 我们诚挚地邀请广大科研人员投稿！ Phenomics官网： https://www.springer.com/journal/43657 投稿链接： https://www.editorialmanager.com/pnmc/ 编辑部邮箱： phenomics@fudan.edu.cn https://blog.sciencenet.cn/blog-3558836-1456760.html 上一篇：Phenomics | Phenomics期刊2024年第二期文章合集 下一篇：Phenomics | 四川大学华西医院宋欢团队联合卡罗琳斯卡医学院、冰岛大学揭示常见精神疾病患者的心血管疾病住院风险模 ，曾在美国常春藤联盟布朗大学任教，研究团队将继续优化模型。