Методы оценки изменения настроения при дистанционном обучении с помощью методов глубокого обучения

Аннотация

Бремя психических расстройств продолжает расти и оказывать заметное влияние на системы здравоохранения по всему миру. Оно влечет за собой серьезные последствия для социальной сферы и экономики. В отличие от физических заболеваний, проблемы психического состояния часто не получают должного внимания. Очень важно проводить диагностику и своевременное лечение до того, как это может обрести серьезный характер. Однако существующие методы диагностики основываются на субъективных оценках экспертов, что делает лечение сложными и дорогостоящими. В данной статье представлен обзор технологий искусственного интеллекта (ИИ) и его применения в здравоохранении, обзор последних оригинальных исследований в области ИИ, посвященных психическому здоровью, и обсуждение того, как ИИ может дополнить современную модель дистанционного обучения, нацеленную на контроль эмоционального состояния обучающихся, а также области, требующие дополнительных исследований. Были проанализированы исследования, в которых использовались видеозаписи, снятые с помощью различных устройств, и фотографии для прогнозирования и классификации психических заболеваний, включая депрессию, расстройства настроения (аффективные расстройства) и другие, а также разных уровней стресса. В совокупности эти исследования показали высокую точность и предоставили отличные примеры потенциала ИИ в области психического здоровья. Большинство из них следует рассматривать как ранние пробные работы, демонстрирующие потенциал использования алгоритмов машинного обучения для решения проблем психического здоровья. Однако, необходимо проявлять осторожность, чтобы избежать неверной интерпретации предварительных результатов и не нарушать этических границ.

Сведения об авторах

Daria Olegovna Ermolina, Финансовый университет при Правительстве Российской Федерации

студент департамента анализа данных и машинного обучения

Petr Vladimirovich Nikitin, Финансовый университет при Правительстве Российской Федерации

доцент департамента анализа данных и машинного обучения, кандидат педагогических наук, доцент

Литература

1. LJames S., et al. Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017. The Lancet. 2018; 392(10159):1789-1858. (In Eng.) DOI: https://doi.org/10.1016/S0140-6736(18)32279-7
2. Taquet M., Geddes J.R., Husain M., Luciano S., Harrison P.J. 6-month neurological and psychiatric outcomes in 236 379 survivors of COVID-19: a retrospective cohort study using electronic health records. The Lancet. Psychiatry. 2021; 8(5):416-427. (In Eng.) DOI: https://doi.org/10.1016/S2215-0366(21)00084-5
3. Brooks S.K., Webster R.K., Smith L.E., Woodland L., Wessely S., The psychological impact of quarantine and how to reduce it: rapid review of the evidence. The Lancet. 2020; 395(10227):912-920. (In Eng.) DOI: https://doi.org/10.1016/S0140-6736(20)30460-8
4. Lischer S., Safi N., Dickson C. Remote learning and students’ mental health during the Covid-19 pandemic: A mixed-method enquiry. PROSPECTS. 2021. p. 1-11. (In Eng.) DOI: https://doi.org/10.1007/s11125-020-09530-w
5. Durstewitz D., Koppe G., Meyer-Lindenberg A. Deep neural networks in psychiatry. Molecular Psychiatry. 2019; 24:1583-1598. (In Eng.) DOI: https://doi.org/10.1038/s41380-019-0365-9
6. Dwyer D.B., Falkai P., Koutsouleris N. Machine Learning Approaches for Clinical Psychology and Psychiatry. Annual Review of Clinical Psychology. 2018; 14:91-118. (In Eng.) DOI: https://doi.org/10.1146/annurev-clinpsy-032816-045037
7. Lovejoy C.A., Buch V., Maruthappu M. Technology and mental health: The role of artificial intelligence. European Psychiatry. 2019; 55:1-3. (In Eng.) DOI: https://doi.org/10.1016/j.eurpsy.2018.08.004
8. Shatte A.B.R., Hutchinson D.M., Teague S.J. Machine learning in mental health: a scoping review of methods and applications. Psychological Medicine. 2019; 49(9):1426-1448. (In Eng.) DOI: https://doi.org/10.1017/S0033291719000151
9. Miotto R., Wang F., Wang S., Jiang X., Dudley J.T. Deep learning for healthcare: review, opportunities and challenges. Briefings in Bioinformatics. 2017; 19(6):1236-1246. (In Eng.) DOI: https://doi.org/10.1093/bib/bbx044
10. Giannakakis G., Pediaditis M., Manousos D., Kazantzaki E., Chiarugi F., Simos P.G., Marias K., Tsiknakis M. Stress and anxiety detection using facial cues from videos. Biomedical Signal Processing and Control. 2017; 31:89-101. (In Eng.) DOI: https://doi.org/10.1016/j.bspc.2016.06.020
11. Miotto R., Wang F., Wang S., Jiang X., Dudley J.T. Deep learning for healthcare: review, opportunities and challenges. Briefings in Bioinformatics. 2017; 19(6):1236-1246. (In Eng.) DOI: https://doi.org/10.1093/bib/bbx044
12. Shickel B., Tighe P.J., Bihorac A., Rashidi P. Deep EHR: A Survey of Recent Advances in Deep Learning Techniques for Electronic Health Record (EHR) Analysis. IEEE Journal of Biomedical and Health Informatics. 2018; 22(5):1589-1604. (In Eng.) DOI: https://doi.org/10.1109/JBHI.2017.2767063
13. Calvo R.A., Milne D.N., Hussain M.S., Christensen H. Natural language processing in mental health applications using non-clinical texts. Natural Language Engineering. 2017; 23(5):649-685. (In Eng.) DOI: https://doi.org/10.1017/S1351324916000383
14. Murphy K.P. Machine Learning: A Probabilistic Perspective. MIT Press, Cambridge, Massachusetts; 2012. 1104 p. (In Eng.)
15. Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition Proceedings of the IEEE. 1998; 86(11):2278-2324. (In Eng.) DOI: https://doi.org/10.1109/5.726791
16. Liou C., Cheng W., Liou J., Liou D. Autoencoder for words. Neurocomputing. 2014; 139:84-96. (In Eng.) DOI: https://doi.org/10.1016/j.neucom.2013.09.055
17. Jaiswal S., Valstar M.F., Gillott A., Daley D. Automatic Detection of ADHD and ASD from Expressive Behaviour in RGBD Data. 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017). IEEE Press, Washington, DC, USA; 2017. p. 762-769. (In Eng.) DOI: https://doi.org/10.1109/FG.2017.95
18. Su M.H., Wu C.H., Huang K.Y., Hong Q.B., Wang H.M. Exploring microscopic fluctuation of facial expression for mood disorder classification. 2017 International Conference on Orange Technologies (ICOT). IEEE Press, Singapore; 2017. p. 65-69. (In Eng.) DOI: https://doi.org/10.1109/ICOT.2017.8336090
19. Dawood A., Turner S., Perepa P. Affective Computational Model to Extract Natural Affective States of Students With Asperger Syndrome (AS) in Computer-Based Learning Environment. IEEE Access. 2018; 6:67026-67034. (In Eng.) DOI: https://doi.org/10.1109/ACCESS.2018.2879619
20. Prasetio B.H., Tamura H., Tanno K. The Facial Stress Recognition Based on Multi-histogram Features and Convolutional Neural Network. 2018 IEEE International Conference on Systems, Man, and Cybernetics (SMC). IEEE Press, Miyazaki, Japan; 2018. p. 881-887. (In Eng.) DOI: https://doi.org/10.1109/SMC.2018.00157
21. Zhang H., Feng L., Li N,. Jin Z., Cao L. Video-based stress detection through deep learning. Sensors. 2020; 20(19):5552. (In Eng.) DOI: https://doi.org/10.3390/s20195552
22. Janssen R.J., Mourão-Miranda J., Schnack H.G. Making Individual Prognoses in Psychiatry Using Neuroimaging and Machine Learning. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. 2018; 3(9):798-808. (In Eng.) DOI: https://doi.org/10.1016/j.bpsc.2018.04.004
23. Luxton D.D. Artificial intelligence in psychological practice: Current and future applications and implications. Professional Psychology: Research and Practice. 2014; 45(5):332-339. (In Eng.) DOI: https://doi.org/10.1037/a0034559
24. Mohr D., Zhang M., Schueller S.M. Personal sensing: understanding mental health using ubiquitous sensors and machine learning. Annual Review of Clinical Psychology. 2017; 13:23-47. (In Eng.) DOI: https://doi.org/10.1146/annurev-clinpsy-032816-044949
25. Iniesta R., Stahl D., Mcguf P. Machine learning, statistical learning and the future of biological research in psychiatry. Psychological Medicine. 2016; 46(12):2455-2465. (In Eng.) DOI: https://doi.org/10.1017/S0033291716001367
26. Yang L., Jiang D., Han W., Sahli H. DCNN and DNN based multi-modal depression recognition. 2017 Seventh International Conference on Affective Computing and Intelligent Interaction (ACII). IEEE Press, San Antonio, TX, USA; 2017. p. 484-489. (In Eng.) DOI: https://doi.org/10.1109/ACII.2017.8273643
27. Erickson B.J., Korfiatis P., Akkus Z., Kline T.L. Machine Learning for Medical Imaging. RadioGraphics. 2019; 37(2):505-515. (In Eng.) DOI: https://doi.org/10.1148/rg.2017160130
28. Razzak M.I., Naz S., Zaib A. Deep Learning for Medical Image Processing: Overview, Challenges and the Future. In: Ed. by N. Dey, A. Ashour, S. Borra. Classification in BioApps. Lecture Notes in Computational Vision and Biomechanics. 2018; 26:323-350. Springer, Cham. (In Eng.) DOI: https://doi.org/10.1007/978-3-319-65981-7_12
Опубликована
2021-09-30
Как цитировать
ERMOLINA, Daria Olegovna; NIKITIN, Petr Vladimirovich. Методы оценки изменения настроения при дистанционном обучении с помощью методов глубокого обучения. Современные информационные технологии и ИТ-образование, [S.l.], v. 17, n. 3, p. 749-756, sep. 2021. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/778>. Дата доступа: 09 dec. 2022 doi: https://doi.org/10.25559/SITITO.17.202103.749-756.
Раздел
Е-learning, информационные технологии в образовании

Наиболее читаемые статьи этого автора (авторов)