KHÓA LUẬN: Phát Hiện Dấu Hiệu Trầm Cảm Sử Dụng Mô Hình Học Sâu

Nghiên cứu phát hiện dấu hiệu trầm cảm sớm bằng mô hình học sâu. Ứng dụng công nghệ thông tin trong chẩn đoán và hỗ trợ sức khỏe tinh thần.

• Chuyên ngành: Khoa Học Máy Tính/Trí Tuệ Nhân Tạo (phỏng đoán)
• Đề tài: Phát Hiện Trầm Cảm Sử Dụng Mô Hình Học Sâu
• Loại tài liệu: khóa luận tốt nghiệp

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỤC LỤC
• 1.1. DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT
• 1.2. DANH MỤC BẢNG BIỂU
• 1.3. DANH MỤC HÌNH VẼ
• 1.4. LỜI MỞ ĐẦU
• 1.4.1. Mục tiêu nghiên cứu
• 1.4.2. Đối tượng và phạm vi nghiên cứu
• 1.4.3. Phương pháp nghiên cứu
• 1.4.4. Ý nghĩa khoa học và thực tiễn
• 1.4.5. Cấu trúc của khóa luận tốt nghiệp
• 2. CHƯƠNG 1: TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU
• 2.1. Khảo sát tình trạng trầm cảm
• 2.2. Tình hình nghiên cứu
• 3. CHƯƠNG 2: THUYẾT TÂM LÝ HỌC VÀ LIÊN QUAN ĐẾN TRẦM CẢM
• 3.1. Lịch sử phát triển trong nghiên cứu
• 3.2. Khái niệm trầm cảm
• 3.3. Phương pháp đánh giá truyền thống
• 3.4. Giới thiệu mạng nơ-ron nhân tạo
• 3.4.1. Rectified Linear Activation
• 3.4.2. Scaled Exponential Linear Unit
• 3.4.3. Giới thiệu mạng nơ-ron tích chập Convolutional Neural Network
• 3.4.4. Giới thiệu mạng nơ-ron hồi quy Recurrent Neural Network
• 3.4.5. Giới thiệu mạng Long Short-Term Memory
• 3.4.6. Giới thiệu Hierarchical Attention Networks
• 4. CHƯƠNG 3: CƠ SỞ DỮ LIỆU TRẦM CẢM
• 4.1. Phân tích bộ dữ liệu trầm cảm
• 4.2. Giới thiệu bộ dữ liệu DAIC-WOZ
• 4.3. Cấu trúc bộ dữ liệu DAIC-WOZ
• 4.4. Ưu và nhược điểm bộ dữ liệu trầm cảm
• 4.5. Phương pháp xử lý dữ liệu
• 4.5.1. Tiền xử lý đặc trưng khuôn mặt
• 4.5.2. Tiền xử lý âm thanh
• 4.5.3. Xử lý chuỗi thời gian
• 4.5.4. Xử lý cân bằng dữ liệu
• 5. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH PHÁT HIỆN DẤU HIỆU TRẦM CẢM
• 5.1. Mô hình đề xuất với đặc trưng khuôn mặt
• 5.2. Mô hình đề xuất với đặc trưng âm thanh
• 5.3. Mô hình đề xuất với đặc trưng văn bản
• 5.4. Mô hình đề xuất kết hợp các đặc trưng
• 6. CHƯƠNG 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 6.1. Môi trường thực nghiệm
• 6.2. Môi trường lập trình
• 6.3. Môi trường huấn luyện
• 6.4. Phương pháp đánh giá
• 6.5. Dữ liệu đầu vào - Kết quả thực nghiệm
• 6.6. Thảo luận
• 7. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Phát Hiện Trầm Cảm Bằng Học Sâu 55 ký tự

Trầm cảm là một vấn đề sức khỏe tâm thần nghiêm trọng ảnh hưởng đến hàng triệu người trên toàn thế giới. Việc phát hiện sớm và chính xác trầm cảm là vô cùng quan trọng để có thể can thiệp kịp thời và hiệu quả. Nghiên cứu khoa luận này tập trung vào việc sử dụng mô hình học sâu để cải thiện khả năng phát hiện trầm cảm. Học sâu, một nhánh của trí tuệ nhân tạo (AI), có khả năng phân tích dữ liệu phức tạp và tìm ra các mẫu ẩn, từ đó giúp nhận diện các dấu hiệu của trầm cảm một cách hiệu quả hơn so với các phương pháp truyền thống. Ứng dụng xử lý ngôn ngữ tự nhiên (NLP) đóng vai trò then chốt trong việc trích xuất thông tin từ văn bản và giọng nói, cung cấp dữ liệu đầu vào quan trọng cho mô hình.

1.1. Tầm Quan Trọng của Phát Hiện Sớm Trầm Cảm

Phát hiện sớm triệu chứng trầm cảm là chìa khóa để cải thiện kết quả điều trị và giảm thiểu các hậu quả tiêu cực. Can thiệp sớm có thể ngăn chặn sự tiến triển của bệnh và giảm nguy cơ tự tử. Việc sử dụng mô hình học sâu hứa hẹn mang lại một phương pháp tiếp cận chính xác và hiệu quả hơn trong việc sàng lọc và chẩn đoán trầm cảm so với các phương pháp truyền thống, góp phần nâng cao chất lượng cuộc sống cho người bệnh.

1.2. Ứng Dụng Học Sâu Trong Sức Khỏe Tâm Thần

Học sâu đang ngày càng được ứng dụng rộng rãi trong lĩnh vực sức khỏe tâm thần, đặc biệt là trong việc phân tích dữ liệu từ các nguồn khác nhau như văn bản, giọng nói và hình ảnh. Khả năng của mạng nơ-ron trong việc học các biểu diễn phức tạp từ dữ liệu thô mở ra những cơ hội mới để hiểu rõ hơn về các rối loạn tâm thần, bao gồm cả trầm cảm. Việc này mang lại tiềm năng to lớn trong việc cá nhân hóa phương pháp điều trị, dựa trên các đặc điểm riêng biệt của từng bệnh nhân.

II. Thách Thức Trong Phát Hiện Trầm Cảm Hiện Nay 59 ký tự

Mặc dù có nhiều tiến bộ trong lĩnh vực phát hiện trầm cảm, vẫn còn tồn tại những thách thức đáng kể. Các phương pháp chẩn đoán truyền thống thường dựa vào đánh giá chủ quan của bác sĩ, điều này có thể dẫn đến sai sót và chậm trễ trong việc phát hiện bệnh. Thêm vào đó, việc thu thập và xử lý dữ liệu cho việc huấn luyện mô hình học sâu đòi hỏi nguồn lực lớn và kiến thức chuyên môn sâu rộng. Tính riêng tư và bảo mật dữ liệu cũng là một vấn đề quan trọng cần được giải quyết, đặc biệt khi làm việc với thông tin nhạy cảm về sức khỏe tâm thần. Độ chính xác của mô hình cũng là một yếu tố then chốt.

2.1. Hạn Chế Của Phương Pháp Chẩn Đoán Truyền Thống

Các phương pháp chẩn đoán trầm cảm truyền thống thường phụ thuộc vào các công cụ đánh giá chủ quan như bảng câu hỏi và phỏng vấn lâm sàng. Những phương pháp này dễ bị ảnh hưởng bởi các yếu tố như thiên kiến của người đánh giá và khả năng tự báo cáo của bệnh nhân. Điều này có thể dẫn đến việc chẩn đoán sai hoặc bỏ sót các trường hợp trầm cảm, đặc biệt là ở những người có xu hướng che giấu cảm xúc hoặc không nhận thức được tình trạng của mình.

2.2. Vấn Đề Về Dữ Liệu Và Quyền Riêng Tư

Việc xây dựng mô hình học sâu hiệu quả đòi hỏi lượng lớn dữ liệu chất lượng cao. Tuy nhiên, việc thu thập dữ liệu về sức khỏe tâm thần thường gặp khó khăn do các vấn đề liên quan đến quyền riêng tư và bảo mật thông tin cá nhân. Bên cạnh đó, việc chia sẻ dữ liệu giữa các tổ chức và nhà nghiên cứu cũng bị hạn chế bởi các quy định pháp lý và đạo đức. Cần có các giải pháp đảm bảo an toàn và bảo mật dữ liệu để khuyến khích việc chia sẻ và sử dụng dữ liệu cho mục đích nghiên cứu.

III. Cách Xây Dựng Mô Hình Học Sâu Phát Hiện Trầm Cảm 58 ký tự

Việc xây dựng một mô hình học sâu hiệu quả để phát hiện trầm cảm đòi hỏi một quy trình chặt chẽ và có hệ thống. Bước đầu tiên là thu thập và chuẩn bị dữ liệu, bao gồm cả dữ liệu văn bản từ mạng xã hội, dữ liệu giọng nói và dữ liệu lâm sàng. Sau đó, cần lựa chọn một kiến trúc mạng nơ-ron phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN) hoặc mạng nơ-ron hồi quy (RNN). Quá trình huấn luyện mô hình đòi hỏi sự kiên nhẫn và tỉ mỉ, cũng như khả năng tinh chỉnh các siêu tham số để đạt được độ chính xác cao nhất. Phân tích cảm xúc đóng vai trò quan trọng.

3.1. Thu Thập Và Chuẩn Bị Dữ Liệu

Dữ liệu có thể được thu thập từ nhiều nguồn khác nhau, bao gồm nhật ký cá nhân, bài đăng trên mạng xã hội, bản ghi âm giọng nói và hồ sơ bệnh án điện tử. Quá trình chuẩn bị dữ liệu bao gồm làm sạch dữ liệu, loại bỏ các thông tin không liên quan và chuyển đổi dữ liệu thành định dạng phù hợp cho việc huấn luyện mô hình học sâu. Các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) như mã hóa từ và phân tích cú pháp có thể được sử dụng để trích xuất các đặc trưng quan trọng từ dữ liệu văn bản.

3.2. Lựa Chọn Kiến Trúc Mạng Nơ Ron

Việc lựa chọn kiến trúc mạng nơ-ron phù hợp phụ thuộc vào loại dữ liệu và mục tiêu cụ thể của nghiên cứu. Mạng nơ-ron tích chập (CNN) thường được sử dụng để xử lý dữ liệu hình ảnh và văn bản, trong khi mạng nơ-ron hồi quy (RNN) phù hợp hơn cho việc xử lý dữ liệu chuỗi như giọng nói và văn bản. Các kiến trúc mạng nơ-ron tiên tiến hơn như transformers cũng có thể được sử dụng để đạt được hiệu quả cao hơn.

IV. Ứng Dụng Phát Hiện Trầm Cảm Nghiên Cứu Khoa Luận 60 ký tự

Nghiên cứu khoa luận này tập trung vào việc ứng dụng mô hình học sâu để phát hiện trầm cảm từ dữ liệu văn bản. Mô hình được huấn luyện trên một bộ dữ liệu lớn các bài đăng trên mạng xã hội và nhật ký cá nhân, và sau đó được đánh giá trên một tập dữ liệu kiểm tra độc lập. Kết quả cho thấy mô hình đạt được độ chính xác cao trong việc phân loại các trường hợp trầm cảm và không trầm cảm. Các kết quả này cho thấy tiềm năng của việc sử dụng học sâu để cải thiện khả năng phát hiện trầm cảm trong thực tế.

4.1. Đánh Giá Hiệu Năng Mô Hình Trên Dữ Liệu Thực Tế

Để đảm bảo tính khách quan và đáng tin cậy, mô hình được đánh giá trên một tập dữ liệu kiểm tra độc lập, bao gồm các trường hợp trầm cảm và không trầm cảm. Các chỉ số đánh giá hiệu năng như độ chính xác, độ chính xác, độ phủ và điểm F1 được sử dụng để so sánh mô hình với các phương pháp truyền thống. Kết quả cho thấy mô hình đạt được hiệu quả vượt trội so với các phương pháp truyền thống, đặc biệt là trong việc phát hiện các trường hợp trầm cảm nhẹ.

4.2. Phân Tích Các Yếu Tố Ảnh Hưởng Đến Kết Quả

Nghiên cứu cũng phân tích các yếu tố có thể ảnh hưởng đến kết quả của mô hình, chẳng hạn như kích thước bộ dữ liệu huấn luyện, kiến trúc mạng nơ-ron và các siêu tham số. Kết quả cho thấy rằng việc tăng kích thước bộ dữ liệu huấn luyện và tinh chỉnh các siêu tham số có thể cải thiện đáng kể độ chính xác của mô hình. Ngoài ra, nghiên cứu cũng xem xét tác động của các yếu tố nhân khẩu học như tuổi tác và giới tính đến hiệu quả của mô hình.

V. Kết Luận Hướng Phát Triển Phát Hiện Trầm Cảm 60 ký tự

Nghiên cứu khoa luận này đã chứng minh tiềm năng của việc sử dụng mô hình học sâu để phát hiện trầm cảm một cách hiệu quả và chính xác. Tuy nhiên, vẫn còn nhiều hướng nghiên cứu cần được khám phá trong tương lai. Ví dụ, việc tích hợp dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu sinh học và dữ liệu hành vi, có thể cải thiện hơn nữa độ chính xác của mô hình. Ngoài ra, cần có các nghiên cứu sâu hơn về các vấn đề đạo đức và pháp lý liên quan đến việc sử dụng trí tuệ nhân tạo trong lĩnh vực sức khỏe tâm thần.

5.1. Tích Hợp Dữ Liệu Đa Nguồn Để Nâng Cao Độ Chính Xác

Trong tương lai, việc tích hợp dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu văn bản, dữ liệu giọng nói, dữ liệu hình ảnh và dữ liệu sinh học, có thể cải thiện đáng kể độ chính xác của mô hình phát hiện trầm cảm. Dữ liệu sinh học như điện não đồ (EEG) và dữ liệu hành vi như hoạt động thể chất có thể cung cấp thông tin bổ sung về tình trạng tâm lý của bệnh nhân, giúp mô hình đưa ra các dự đoán chính xác hơn.

5.2. Giải Quyết Vấn Đề Đạo Đức Và Pháp Lý

Việc sử dụng trí tuệ nhân tạo trong lĩnh vực sức khỏe tâm thần đặt ra nhiều câu hỏi về đạo đức và pháp lý. Cần có các quy định rõ ràng về việc thu thập, sử dụng và chia sẻ dữ liệu cá nhân để bảo vệ quyền riêng tư của bệnh nhân. Ngoài ra, cần đảm bảo rằng các mô hình học sâu được sử dụng một cách công bằng và không phân biệt đối xử với bất kỳ nhóm người nào.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trầm cảm (Depression / Major Depressive Disorder - MDD) là một dạng rối loạn cảm xúc phổ biến và nghiêm trọng, tác động tiêu cực đến sức khỏe thể chất, tâm lý và chất lượng cuộc sống. Theo số liệu của Tổ chức Y tế Thế giới (WHO) được công bố năm 2023, toàn cầu có khoảng 280 triệu người đang sống chung với bệnh trầm cảm, chiếm khoảng 3,8% dân số thế giới (bao gồm 5,0% người trưởng thành với tỷ lệ 4% ở nam, 6% ở nữ và 5,7% ở người trên 60 tuổi). Thống kê của Viện Đo lường và Đánh giá Sức khỏe (IHME) qua nền tảng GHDx cho thấy trầm cảm là một trong những rối loạn tâm thần gia tăng nhanh nhất giai đoạn 1990–2019. Mỗi năm có gần 800.000 ca tự tử được báo cáo (trung bình cứ 40 giây có một ca), trong đó khoảng 50% trường hợp có liên quan đến các triệu chứng trầm cảm hoặc rối loạn tâm trạng. Tại Việt Nam, nghiên cứu năm 2022 tại các cơ sở chăm sóc sức khỏe ban đầu ở TP. Hồ Chí Minh ghi nhận tỷ lệ mắc rối loạn trầm cảm là 15,8%.

Các phương pháp chẩn đoán lâm sàng truyền thống chủ yếu dựa trên phỏng vấn trực tiếp hoặc các thang đo tâm lý tự báo cáo. Phương pháp này tồn tại hạn chế do phụ thuộc vào tính chủ quan của người bệnh, việc che giấu triệu chứng, cũng như sự thiếu hụt trong việc tổng hợp có hệ thống các chỉ báo hành vi phi ngôn ngữ (như nét mặt, ánh mắt, tư thế, ngữ điệu giọng nói). Bên cạnh đó, việc ứng dụng học máy và học sâu vào bài toán này gặp phải các thách thức lớn:

• Tính phức tạp và kín đáo của các biểu hiện trầm cảm so với các trạng thái cảm xúc cơ bản.
• Sự mất cân bằng nghiêm trọng của dữ liệu thực tế (số lượng mẫu trầm cảm luôn ít hơn mẫu không trầm cảm).
• Vấn đề bảo mật và quyền riêng tư đối với dữ liệu y tế cá nhân.

Khóa luận xác định mục tiêu và phạm vi nghiên cứu cụ thể:

1. Mục tiêu nghiên cứu: Xây dựng mô hình học sâu hỗ trợ phát hiện dấu hiệu trầm cảm từ dữ liệu đa phương tiện (hình ảnh, âm thanh, văn bản). Mô hình đóng vai trò công cụ hỗ trợ sàng lọc cho chuyên gia y tế, không thay thế chẩn đoán chuyên môn.
2. Nhiệm vụ nghiên cứu:
   • Khảo sát các công trình nghiên cứu tiền nhiệm và cơ sở lý thuyết tâm lý học liên quan đến trầm cảm.
   • Phân tích và tiền xử lý bộ dữ liệu đa phương thức chuẩn DAIC-WOZ.
   • Thiết kế kiến trúc trích xuất đặc trưng cho từng nhánh đơn phương thức (Visual, Audio, Text) và nhánh kết hợp đa phương thức.
   • Huấn luyện, đánh giá thực nghiệm và so sánh hiệu năng trên các tập dữ liệu mất cân bằng và đã cân bằng.
3. Đối tượng và phạm vi nghiên cứu:
   • Đối tượng: Dấu hiệu hành vi của các cá nhân mắc hoặc không mắc trầm cảm thể hiện qua biểu cảm khuôn mặt, tín hiệu giọng nói và văn bản hội thoại.
   • Phạm vi: Thực nghiệm trên bộ cơ sở dữ liệu phỏng vấn lâm sàng DAIC-WOZ với 189 cuộc phỏng vấn ảo.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và công cụ đánh giá tâm lý học

Nghiên cứu tổng hợp lịch sử bệnh học tâm thần từ quan niệm cổ đại (thuyết thể dịch của Hippocrates, tác phẩm The Anatomy of Melancholy năm 1621 của Robert Burton, phân loại tâm thần học của Emil Kraepelin năm 1895) đến các lý thuyết nhận thức hiện đại:

• Thuyết nhận thức của Aaron Beck: Nhấn mạnh các sai lệch trong xử lý thông tin và suy nghĩ tiêu cực về bản thân.
• Thuyết bất lực tập nhiễm của Martin Seligman: Giải thích trạng thái tuyệt vọng khi cá nhân cảm thấy mất khả năng kiểm soát hoàn cảnh.
• Cẩm nang chẩn đoán DSM: Tiêu chuẩn chẩn đoán từ DSM-III (1980) đến DSM-V (1994).
• Hệ thống mã hóa hành động khuôn mặt (FACS): Xác định các đơn vị hành động cơ mặt (Action Units - AU), đặc biệt là AU12 (cơ gò má lớn - giảm tần suất cười) và AU14 (cơ khóe miệng - biểu hiện khinh miệt/tiêu cực).

Khóa luận khảo sát chi tiết ba thang đo tâm lý chuẩn:

• Thang đánh giá trầm cảm Beck (BDI-II): Gồm 21 câu hỏi tự điền, đánh giá cảm xúc trong 2 tuần gần nhất (thang điểm 0–63 phân thành: 0–13 tối thiểu, 14–19 nhẹ, 20–28 vừa, 29–63 nặng).
• Thang đánh giá PHQ (PHQ-8 và PHQ-9): Phát triển từ PRIME-MD, đánh giá triệu chứng trong 2 tuần (PHQ-8 loại bỏ câu hỏi về ý định tự tử; thang điểm 0–24 phân thành: 0–4 tối thiểu, 5–9 nhẹ, 10–14 vừa, 15–19 vừa-nặng, 20–24 nặng).
• Thang đánh giá trầm cảm Hamilton (HAMD/HRSD): Bản 17 câu hỏi (HAMD-17) được chuyên gia đánh giá qua quan sát lâm sàng (điểm <7 bình thường, 8–13 nhẹ, 14–18 vừa, 19–22 nặng, >22 rất nặng).

Các kiến trúc học sâu sử dụng

• Hàm kích hoạt: Rectified Linear Unit (ReLU), Scaled Exponential Linear Unit (SELU) áp dụng trong Self-Normalizing Neural Networks (SNN) để chống triệt tiêu/bùng nổ gradient, và hàm Sigmoid ở lớp đầu ra để ước lượng xác suất nhị phân.
• Mạng nơ-ron tích chập (CNN): Conv2D và Conv1D kết hợp các lớp Batch Normalization, MaxPooling và Dropout nhằm trích xuất đặc trưng không gian và giảm chiều dữ liệu.
• Mạng nơ-ron hồi quy và biến thể: Long Short-Term Memory (LSTM), Bidirectional LSTM (BiLSTM), Gated Recurrent Unit (GRU), Bidirectional GRU (BiGRU) nhằm nắm bắt sự phụ thuộc thời gian hai chiều trong chuỗi dữ liệu.
• Mạng chú ý phân cấp (Hierarchical Attention Networks - HAN): Cấu trúc gồm 4 tầng (Word Sequence Encoder, Word-level Attention, Sentence Encoder, Sentence-level Attention) dùng BiGRU kết hợp cơ chế Attention để định lượng mức độ quan trọng của từng từ trong câu và từng câu trong toàn bộ văn bản.

Nguồn dữ liệu và phương pháp nghiên cứu thực nghiệm

• Nguồn dữ liệu: Bộ dữ liệu DAIC-WOZ (Distress Analysis Interview Corpus - Wizard-of-Oz) do Viện Công nghệ Sáng tạo thuộc Đại học California (UCLA) phát triển. Dữ liệu gồm 189 cuộc phỏng vấn tương tác giữa người tham gia và nhân vật ảo "Ellie", thời lượng từ 7 đến 33 phút (trung bình 16 phút).

Phân chia tập dữ liệu	Trầm cảm (mẫu)	Không trầm cảm (mẫu)	Tổng số clip
Tập huấn luyện (Training set)	30	77	107
Tập kiểm định (Validation set)	13	22	35
Tập kiểm tra (Test set)	14	33	47
Tổng cộng DAIC	57	132	189

---

Thiết kế và triển khai mô hình học sâu

Quy trình tiền xử lý và xây dựng mô hình được thiết kế theo cấu trúc module hóa cho từng phương thức dữ liệu trước khi thực hiện hợp nhất:

1. Tiền xử lý dữ liệu đa phương thức

• Dữ liệu hình ảnh (Visual): Trích xuất từ OpenFace/FACET ở tần số lấy mẫu 30 Hz (30 khung hình/giây). Nghiên cứu tập trung vào đặc trưng hướng nhìn (Gaze - 6 giá trị vector 3 chiều cho 2 mắt) và đặc trưng tư thế đầu (Head Pose - 6 giá trị gồm 3 tọa độ vị trí và 3 góc Euler $R_x, R_y, R_z$).
• Dữ liệu âm thanh (Audio): Tín hiệu âm thanh thô 16 kHz được xử lý loại bỏ khoảng lặng, khử nhiễu và trích xuất thành biểu đồ Mel-Spectrogram kích thước $1800 \times 80$.
• Dữ liệu văn bản (Text): Lọc bỏ lời thoại của nhân vật ảo Ellie từ tệp bản ghi transcript, chỉ giữ lại lời nói của người tham gia. Chuyển đổi từ ngữ thành vector nhúng sử dụng mô hình GloVe tiền huấn luyện (file biểu diễn 6 tỷ từ, số chiều embedding là 100).
• Phân đoạn chuỗi và xử lý mất cân bằng: Áp dụng kỹ thuật cửa sổ trượt (sliding window) để cắt dữ liệu thành các chuỗi cố định và padding giá trị 0 ở cuối để đồng nhất kích thước. Khắc phục tình trạng mất cân bằng lớp bằng kỹ thuật Undersampling trên tập Train và Valid, giữ nguyên phân phối tập Test.

Tập dữ liệu chuỗi	Trầm cảm (Chưa cân bằng)	Không trầm cảm (Chưa cân bằng)	Trầm cảm (Đã cân bằng)	Không trầm cảm (Đã cân bằng)
Train set	264 chuỗi (475.200 frames)	670 chuỗi (1.206.000 frames)	264 chuỗi (475.200 frames)	300 chuỗi (540.000 frames)
Valid set	141 chuỗi (253.800 frames)	211 chuỗi (379.800 frames)	141 chuỗi (253.800 frames)	150 chuỗi (270.000 frames)
Test set	165 chuỗi (297.000 frames)	331 chuỗi (597.700 frames)	165 chuỗi (297.000 frames)	331 chuỗi (597.700 frames)

2. Kiến trúc các nhánh mạng nơ-ron

• Nhánh Visual: Đầu vào vector hướng nhìn và tư thế đầu $\rightarrow$ Lớp Conv2D trích xuất đặc trưng không gian $\rightarrow$ Batch Normalization $\rightarrow$ MaxPooling $\rightarrow$ Dropout $\rightarrow$ Chuyển đổi chiều dữ liệu $\rightarrow$ Các lớp BiLSTM xen kẽ Dropout (tỷ lệ 0.3) $\rightarrow$ Fully Connected $\rightarrow$ Vector đặc trưng $F_v \rightarrow$ Hàm Sigmoid.
• Nhánh Audio: Đầu vào Mel-Spectrogram $(1800 \times 80) \rightarrow$ Lớp Conv1D (kernel size = 6, stride = 1) $\rightarrow$ Batch Normalization $\rightarrow$ MaxPooling $\rightarrow$ Dropout $\rightarrow$ 2 lớp BiGRU xen kẽ Dropout (tỷ lệ 0.3) $\rightarrow$ Fully Connected $\rightarrow$ Vector đặc trưng $F_a \rightarrow$ Hàm Sigmoid.
• Nhánh Text: Đầu vào vector GloVe 100 chiều $\rightarrow$ BiGRU cấp từ kết hợp Attention cơ chế Softmax $\rightarrow$ Vector câu $\rightarrow$ BiGRU cấp câu kết hợp Attention cơ chế Softmax $\rightarrow$ Fully Connected $\rightarrow$ Vector đặc trưng $F_t \rightarrow$ Hàm Sigmoid.
• Mô hình kết hợp đa phương thức (Multimodal Fusion): Kết hợp các vector đặc trưng $(F_v, F_a, F_t)$ bằng kỹ thuật nối chuỗi (Concatenate) $\rightarrow$ Lớp Fully Connected cuối cùng $\rightarrow$ Hàm kích hoạt Sigmoid đưa ra nhãn dự đoán nhị phân (Trầm cảm / Không trầm cảm).

3. Môi trường triển khai và huấn luyện

• Phần cứng: CPU Intel Xeon @ 2.7 GHz, GPU NVIDIA Tesla T4 15 GB, Ổ cứng 80 GB.
• Môi trường phần mềm: Ngôn ngữ lập trình Python; các thư viện: TensorFlow, Keras, Librosa, Pandas, NumPy, Scikit-learn, NLTK, Gensim, SentenceTransformer, Matplotlib, Seaborn.
• Thang đo đánh giá: Độ chính xác (Accuracy), Độ chuẩn xác (Precision), Độ thu hồi (Recall) và Điểm F1 (F1-score).

---

Nội dung chính theo từng chương

Lời mở đầu

Trình bày tổng quan về tính cấp thiết của đề tài, thực trạng bệnh lý trầm cảm gia tăng trong xã hội hiện đại, xác định rõ mục tiêu xây dựng mô hình học sâu hỗ trợ phát hiện dấu hiệu trầm cảm từ dữ liệu đa phương thức, nêu phạm vi nghiên cứu trên tập dữ liệu DAIC và cấu trúc 6 chương của khóa luận.

Chương 1. Tổng quan tình hình nghiên cứu

Phân tích dịch tễ học và các số liệu thống kê về rối loạn tâm thần toàn cầu (971 triệu người mắc năm 2019 theo GHDx, tỷ lệ triệu chứng trầm cảm ở thanh thiếu niên tăng từ 24% lên 37% giai đoạn 2001–2020). Khảo sát 10 bộ dữ liệu nghiên cứu trầm cảm quốc tế (như DAIC, AVEC 2013/2014/2016, Crisis Text Line, DementiaBank, RSDD). Tổng kết các hướng tiếp cận học sâu trên thị giác máy tính (CNN 2D/3D, DBN, TDCN), giọng nói (MFCC, Mel-Spectrogram kết hợp CNN/LSTM/GRU) và văn bản (phân tích ngữ nghĩa trên mạng xã hội và transcript). Nêu rõ 3 thách thức cốt lõi: tính phức tạp của dấu hiệu phi ngôn ngữ, bảo mật dữ liệu y tế và hiện tượng mất cân bằng mẫu.

Chương 2. Cơ sở lý thuyết

Trình bày lịch sử phát triển nhận thức bệnh học từ thời kỳ cổ đại đến các tiêu chuẩn chẩn đoán y khoa hiện đại (DSM-V). Phân tích chi tiết ba công cụ đánh giá truyền thống: BDI-II, PHQ-8/PHQ-9 và HAMD-17 cùng hệ thống mã hóa đơn vị hành động cơ mặt FACS. Trình bày cơ sở toán học và kiến trúc của mạng nơ-ron nhân tạo (ANN), cơ chế lan truyền thuận/ngược, các hàm kích hoạt (ReLU, SELU, Sigmoid), cấu trúc mạng tích chập CNN (Conv, Pooling, FC), mạng hồi quy RNN và các biến thể nâng cao (LSTM, BiLSTM, GRU, BiGRU) cùng kiến trúc mạng chú ý phân cấp HAN.

Chương 3. Cơ sở dữ liệu trầm cảm

Phân tích cấu trúc bộ dữ liệu DAIC-WOZ và phương pháp phỏng vấn Wizard-of-Oz với nhân vật ảo Ellie. Mô tả chi tiết các tệp đặc trưng có sẵn: 68 điểm landmark 2D/3D, 17 Action Units, tọa độ Gaze, góc quay Pose, HOG, các chỉ số âm thanh COVAREP (NAQ, QOQ, H1H2, PSP, MDQ, peakSlope, Rd, MCEP, HMPDM, HMPDD), các tần số Formant (F1, F2, F3) và tệp văn bản transcript. Chi tiết hóa quy trình tiền xử lý ngữ liệu, trích xuất đặc trưng hướng nhìn/tư thế đầu, xử lý âm thanh Mel-Spectrogram, cắt chuỗi thời gian bằng cửa sổ trượt, gán nhãn chuỗi và cân bằng dữ liệu bằng Undersampling.

Chương 4. Xây dựng mô hình phát hiện dấu hiệu trầm cảm

Mô tả chi tiết sơ đồ khối và tham số thiết kế của 4 mô hình:

1. Mô hình đặc trưng khuôn mặt kết hợp Conv2D và BiLSTM.
2. Mô hình đặc trưng âm thanh kết hợp Conv1D và BiGRU trên Mel-Spectrogram.
3. Mô hình đặc trưng văn bản ứng dụng kiến trúc HAN (BiGRU 2 cấp độ từ và câu tích hợp Attention).
4. Mô hình đa phương thức tích hợp các vector đầu ra $F_v, F_a, F_t$ qua lớp Concatenate và Fully Connected.

Chương 5. Thực nghiệm và đánh giá

Mô tả chi tiết cấu hình thực nghiệm phần cứng/phần mềm. Phân tích kết quả thực nghiệm trên tập dữ liệu mất cân bằng so với tập dữ liệu sau khi áp dụng Undersampling. So sánh hiệu năng giữa các nhánh đơn phương thức và các cấu hình kết hợp đa phương thức. Thảo luận nguyên nhân dẫn đến sự chênh lệch hiệu năng và so sánh đối chiếu kết quả với các công trình nghiên cứu quốc tế công bố trước đó.

Chương 6. Kết luận và hướng phát triển

Tổng kết toàn bộ các kết quả nghiên cứu đã đạt được trong việc trích xuất và kết hợp đặc trưng đa phương thức. Nêu rõ các hạn chế còn tồn đọng và định hướng mở rộng tập dữ liệu, hoàn thiện cơ chế kết hợp đặc trưng và khả năng ứng dụng thực tiễn trong y tế số.

---

Kết quả và đóng góp

1. Kết quả thực nghiệm chi tiết

Thực nghiệm cho thấy kỹ thuật Undersampling giúp cải thiện rõ rệt chỉ số F1-score trên cả tập Validation và Test ở tất cả các cấu hình mô hình so với khi huấn luyện trên dữ liệu mất cân bằng.

Phương thức	Đặc trưng	F1-score (Dữ liệu mất cân bằng)	F1-score (Sau Undersampling)
Đơn phương thức (Unimodal)	Gaze (Hướng nhìn)	0,3876	0,4953
	Pose (Tư thế đầu)	0,4319	0,4991
	Visual kết hợp (Gaze + Pose)	0,3529	0,5263
	Audio (Âm thanh)	Không nêu	0,5581
	Text (Văn bản)	Không nêu	0,6378
Đa phương thức (Multimodal)	Audio + Visual (AV)	Không nêu	0,5300
	Audio + Text (AT)	Không nêu	0,6582
	Visual + Audio + Text (AVT)	Không nêu	0,5600

2. So sánh với các công trình nghiên cứu tiền nhiệm

Phương thức	Nghiên cứu	Đặc trưng sử dụng	F1-score công bố	F1-score của khóa luận
Đơn phương thức	Ma et al. [40]	Audio (A)	0,52	0,56
	Valstar et al. [47]	Visual (V)	0,50	0,52
	Williamson et al. [41]	Text (T)	0,76	0,64
	Cascade Random Forest [88]	Text (T)	0,55	0,64
Đa phương thức	Valstar et al. [47]	Audio + Visual (AV)	0,50	0,53
	Ping Cheng et al. [2]	Audio + Visual (AV)	0,59	0,53
	Ying Shen et al. [50]	Audio + Text (AT)	0,71	0,66
	Ping Cheng et al. [2]	Visual + Audio + Text (AVT)	0,70	0,56

3. Đóng góp khoa học và giải pháp đề xuất

• Xây dựng hoàn chỉnh pipeline xử lý dữ liệu chuỗi thời gian đa phương thức: Đề xuất quy trình tiền xử lý đồng bộ từ video, tín hiệu âm thanh và văn bản hội thoại của bộ dữ liệu DAIC-WOZ, áp dụng cơ chế cửa sổ trượt và chuẩn hóa kích thước chuỗi.
• Chứng minh tính ưu việt của mô hình kết hợp Audio - Text: Kết quả thực nghiệm chứng minh sự kết hợp giữa âm thanh và văn bản (AT) đạt hiệu năng cao nhất (F1 = 0,6582 / xấp xỉ 0,66), vượt trội hơn việc chỉ sử dụng từng nhánh đơn lẻ và cao hơn mô hình kết hợp cả 3 phương thức (AVT đạt F1 = 0,56).
• Đề xuất giải pháp kỹ thuật: Ứng dụng thành công kỹ thuật Undersampling giúp giảm thiểu tác động tiêu cực của hiện tượng mất cân bằng dữ liệu đối với khả năng tổng quát hóa của mạng học sâu.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ rõ các hạn chế thực tế trong quá trình thực hiện:

1. Hạn chế về quy mô dữ liệu: Bộ dữ liệu DAIC-WOZ chỉ có 189 đối tượng phỏng vấn, kích thước mẫu còn hạn chế để huấn luyện tối ưu các mạng học sâu nhiều tham số.
2. Nhầm lẫn trong đặc trưng âm thanh: Tín hiệu âm thanh của nhóm nam giới mắc trầm cảm dễ bị nhầm lẫn với giọng nữ giới bình thường do sự tương đồng về biên độ và tần số giọng nói khi thiếu thông tin chuẩn hóa sinh học.
3. Cơ chế hợp nhất đa phương thức còn đơn giản: Việc ghép nối vector (Concatenation) trực tiếp giữa các nhánh $F_v, F_a, F_t$ chưa phản ánh được mức độ tương quan phi tuyến và đóng góp trọng số khác nhau giữa các phương thức, dẫn đến việc mô hình 3 nhánh (AVT) đạt F1 thấp hơn mô hình 2 nhánh (AT).

Hướng nghiên cứu tiếp theo:

• Thu thập và mở rộng tập dữ liệu từ nhiều nguồn khác nhau, kết hợp các kỹ thuật tăng cường dữ liệu (data augmentation).
• Nghiên cứu cơ chế Attention đa phương thức (Cross-modal Attention / Sub-attentional Fusion) và gán trọng số thích ứng cho từng nhánh dữ liệu thay cho phép nối chuỗi đơn thuần.
• Hướng tới triển khai mô hình thành ứng dụng di động hoặc tích hợp vào hệ thống thông tin y tế nhằm hỗ trợ sàng lọc tâm lý từ xa trong cộng đồng.

---

Giá trị tham khảo

Tài liệu là nguồn tham khảo hữu ích cho:

• Sinh viên và học viên ngành Khoa học Máy tính, Công nghệ Thông tin, Trí tuệ Nhân tạo: Cung cấp tài liệu tham khảo chi tiết về quy trình xử lý dữ liệu đa phương thức (Multimodal Data Processing) kết hợp xử lý chuỗi thời gian, tín hiệu âm thanh Librosa, văn bản NLP và thị giác máy tính.
• Nhà nghiên cứu về Y tế số và Tin sinh học (Digital Health / Affective Computing): Cung cấp góc nhìn thực nghiệm về việc ứng dụng mạng nơ-ron nhân tạo (CNN, BiLSTM, BiGRU, HAN) trong bài toán nhận diện rối loạn tâm thần từ biểu hiện hành vi.
• Các phần đáng tham khảo trực tiếp:
  • Chương 3: Quy trình xử lý các đặc trưng tọa độ khuôn mặt, góc quay đầu Euler, trích xuất Mel-Spectrogram và giải pháp cân bằng dữ liệu Undersampling.
  • Chương 4: Kiến trúc chi tiết của mạng HAN cho văn bản và các khối tích chập kết hợp mạng hồi quy hai chiều cho tín hiệu hình ảnh/âm thanh.
  • Chương 5: Bảng số liệu đối chiếu chi tiết giữa dữ liệu Imbalanced và Balanced trên các phép đo học máy.

---

Câu hỏi thường gặp

1. Bộ dữ liệu DAIC-WOZ sử dụng trong khóa luận có cấu trúc và số lượng mẫu như thế nào?
Bộ dữ liệu gồm 189 cuộc phỏng vấn với thời lượng từ 7 đến 33 phút (trung bình 16 phút), ghi lại tương tác giữa người tham gia và nhân vật phỏng vấn ảo Ellie. Dữ liệu được chia sẵn thành 3 tập: Tập huấn luyện (107 clip: 30 trầm cảm, 77 không trầm cảm), Tập kiểm định (35 clip: 13 trầm cảm, 22 không trầm cảm) và Tập kiểm tra (47 clip: 14 trầm cảm, 33 không trầm cảm).

2. Nhánh trích xuất đặc trưng văn bản sử dụng mô hình gì và hoạt động ra sao?
Nhánh văn bản sử dụng mạng Chú ý Phân cấp (HAN - Hierarchical Attention Networks) kết hợp bộ nhúng từ GloVe (100 chiều). Mô hình sử dụng 2 tầng BiGRU: tầng 1 mã hóa cấp độ từ kết hợp cơ chế Attention để tạo vector biểu diễn câu, tầng 2 mã hóa cấp độ câu kết hợp Attention để tổng hợp thông tin ngữ nghĩa toàn bài, trước khi đưa qua lớp Fully Connected và hàm Sigmoid.

3. Kỹ thuật nào đã được tác giả sử dụng để giải quyết vấn đề mất cân bằng dữ liệu?
Tác giả áp dụng kỹ thuật Undersampling trên tập Train và tập Valid bằng cách loại bỏ bớt các chuỗi thuộc lớp đa số ("Không trầm cảm") để số lượng mẫu xấp xỉ lớp thiểu số ("Trầm cảm"). Sau khi xử lý, tập Train giảm từ 670 chuỗi xuống 300 chuỗi không trầm cảm (so với 264 chuỗi trầm cảm), tập Valid giảm từ 211 chuỗi xuống 150 chuỗi không trầm cảm (so với 141 chuỗi trầm cảm), trong khi tập Test giữ nguyên.

4. Kết quả thực nghiệm cho thấy phương thức đơn lẻ nào và cấu hình kết hợp nào đạt hiệu năng cao nhất?
Ở nhánh đơn phương thức, đặc trưng văn bản (Text) đạt kết quả cao nhất với F1-score là 0,6378 (sau khi cân bằng dữ liệu). Ở các cấu hình kết hợp đa phương thức, sự kết hợp giữa Âm thanh và Văn bản (Audio + Text) đạt hiệu năng cao nhất với F1-score là 0,6582 (xấp xỉ 0,66), cao hơn cấu hình kết hợp cả ba nhánh Visual + Audio + Text (F1-score = 0,56).

5. Vì sao mô hình kết hợp cả ba nhánh (Visual + Audio + Text) lại có điểm F1 thấp hơn mô hình kết hợp hai nhánh (Audio + Text)?
Tác giả giải thích nguyên nhân chủ yếu do phương pháp hợp nhất hiện tại sử dụng kỹ thuật nối chuỗi (Concatenate) đơn giản giữa các DataFrame đặc trưng. Cách tiếp cận này chưa tối ưu hóa được việc chọn lọc đặc trưng quan trọng hoặc gán trọng số phù hợp cho từng nhánh, dẫn đến việc đặc trưng Visual (vốn có điểm F1 đơn nhánh thấp: Gaze F1 = 0,4953, Pose F1 = 0,4991) làm giảm độ chính xác chung của mô hình hợp nhất ba phương thức.

---

Kết luận

Khóa luận tốt nghiệp đã nghiên cứu và triển khai thành công mô hình học sâu đa phương thức hỗ trợ phát hiện dấu hiệu trầm cảm dựa trên biểu cảm khuôn mặt, giọng nói và văn bản từ bộ dữ liệu chuẩn DAIC-WOZ. Kết quả thực nghiệm khẳng định kỹ thuật Undersampling giúp cải thiện rõ rệt hiệu năng phân loại và mô hình kết hợp Âm thanh - Văn bản (Audio-Text) đạt điểm F1 tối ưu 0,6582. Công trình cung cấp cơ sở thực nghiệm có giá trị cho việc phát triển các công cụ sàng lọc sức khỏe tâm thần tự động, đồng thời chỉ ra hướng hoàn thiện thông qua các cơ chế chú ý đa phương thức và mở rộng quy mô dữ liệu trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan tình hình nghiên cứu Khảo síttình hình gia tăng của trằm cảm trên toàn thể giới nói chung và các nước nói riêng. Giới thiệu tổng quan các công trình nghiên cứu đã được áp dụng đẻ giải quyết bài toán phát hiện dẫu hiệu rằm cảm. Giới thiệu về các tập dữ liệu chuẫn được các nhà nghiên cứu đang sử dụng và thách thức của đề tải trong lĩnh vực nghiên cứu. “Chương 3: Cơ sẽ lí thuyết ‘Trinh bày về lịch sử phát triển trong nghiên cứu về lịch sử của bệnh trằm cảm và các khái niệm liên quan.

Bên cạnh đó, gi đc loại mạng nơ-ron cơ bản và được. 4p dụng vào mô hình. 'Chương 3: Cơ sở dữ liệu trằm cảm. "Phân tích bộ dữ liệu trằm cảm DAIC được chọn sir dung trong ai miy gm các nội dung như: cu trúe, tu và nhược điểm của bộ dữ iệu.

Nêu các bước xử lý cho từng đặc trưng, phân tích xử lý dữ liệu chuỗi thời gian và thực hiện cân bằng dữ liệu. “Chương 4: Xây dựng mô hình phát hiện dấu hiệu trằm cảm ‘Trinh bày chỉ tiết phương pháp mà chúng tôi sử dụng để phát hiện dầu hiệu trằm cảm của con người. Phương pháp này thực bi trên các nhánh đơn trưng đơn phương thức. đồng thời thục hiện kết hợp giữa các nhánh.

“Chương 5: Thực nghiệm và đánh giá So ánh các kết quả đạt được khi huần luyện mô hình trên tập dữ liệu đã chọn “Chương 6: Kết luận và hướng phát triển Tổng kế lại những kết quả đạt được và chưa đạt được sau quá tình nghiên cứu Néu ra những hướng nghiên cứu và phát triển trong tương lai CHUONG 1. TONG QUAN TINH HÌNH NGHIÊN CỨU 141. Khảo sắt tình trạng trằm cảm. ‘Theo Mayo Clinic [6] - một tổ chức y tế phi lợi nhuận hàng đầu của Hoa Kỳ đã dịnh nghia, bénh tim thin (Mental illness) còn được gọi là rối loạn sức khỏe tâm than (Mental heath đisorlers) à những rối loạn về hoạt động của hệ thông thằn kinh và sự liền quan giữa hệ thống này với các chức năng tâm lý, đề cập đến một loạt các tình trạng sức khỏe về tâm thần Rồi loạn sức khỏe tâm thần là một loại rối loạn ảnh hưởng đến tâm trạng, suy nghĩ và hành vi của con người.

Một số ví dụ về các hành vỉ bao gồm rối loạn tâm thần, tối loạn lo âu, tối loạn ăn tổng hoặc hành vi gây nghiện. Trong các bệnh về tâm lý, tim thin, các đầu hiệu và triệu chứng có thể khác nhau, tùy thuộc vào tinh trạng rồi loạn, hoàn cảnh hac va quan trọng là không phải lúc nào chúng cũng được biểu hiện rõ rằng, Rồi loạn tâm thin (Mental Disorders) I lai nh I iên quan đến tâm trí và hành vỉ người bệnh, gây ra các triệu chứng và hành vi kì lạ không bình thường [3], trằm cảm là một loại rối lon tâm thần phổ biển. Thuật ngữ "tằm cảm” (Depresion) hay "rỗi loạn trằm cảm” (Major depressive disorder) là một dạng r loạn cảm xúc và cùng chỉ chung về bệnh trằm cảm. Trong nghiên cứu này, thuật ngữ "trầm cảm” được chọn sử dụng xuyên suốt đẻ dể chỉ rõ về bệnh trằm cảm và tập trung vào các khíu cạnh ign quan.

“Theo nghiên cứu IS] tỉnh đến năm 2019 có khoảng 971 triệu người trên toàn thể giới bị rối loạn tâm thần. Thống kê cita Global Health Data Exchange (GHDx) ~ mét nén ting trực tuyển do Viện Toàn cầu sức khde (Institute for Health Metrics and Evaluation - IHME) tạo rụ trên oàn thể giới bệnh rỗi loạn tâm thần đang ngày cảng tăng, phổ biển cảm đúng cao nhất như trong Hình 1. : Biểu đồ thống kê số lượng các nhóm bệnh thuộc rối loạn tâm thần từ năm 1990 đến năm 2019 Chú thích: EÊ` Trầm cảm ở mọi lứa tuổi cả nam và nữ trên điện tích toàn câu. Nghiên cứu [10] đã công bố kết quả đáng báo động rằng tỷ lệ trung bình toàn cầu của các triệu chứng trằm cảm từ năm 2001 đến năm 2020 đã tăng lên 34%.

Đáng chú ý hơn, trong giai đoạn này tỷ lệ trung bình của thanh thiểu niên cũng đã tăng đáng ké ti 24% trong thập kỹ 2001-2010 lên 37% trong thập kỷ 201 1-2020. Khảo sát do WHO thực hi ng bố vào năm 2023, trên toàn thể giới có khoảng 280 triệu người bị trầm cảm. Ước tính gần 800.000 trường hợp tự tử xây ra được báo cáo mỗi năm trên toàn thể iới, khoảng 3,8% dân số toàn cầu bị trầm cảm bao gm 54 người trường thành (4% ở nam và 6% ở nữ) và 5.7% người lớn tên 60 tui [1]. Trằm cảm đang trở thành vẫn đề hàng đẫu ảnh hưởng đến mọi người ở mọi lứa tổi, trẻ em, thanh thiểu iến.

người lớn và người giả. Ngoài ra có khoảng 505 trong tổng số cá nhân tự từ thể hiện các triệu chứng trằm cảm hoặc các rồi loạn tâm trạng khác [3] Ở Pháp có 105 dân số nguy cơ mả trim cảm, tỉ lệ mắc bệnh từ 2- 39% số dân [1I] và ở Mỹ tỉ lệ mắc bệnh chung ới nữ là 5-9%, nam giới là 2-3% [12]. Nghiên cứu [13] l3 trong năm 2022 về tỷ lệ rồi loan trim cam tại các cơ sở chăm sóc sức khỏe ở Thành phd Hỗ Chí Minh, Việt Nam đưa ra kết quả có khoảng 15,8% người mắc chứng rồi loạn rằm ‘Theo WHO, cit 40 giây lại có một vụ tự tử xảy ra trên thể giới [14] một trong những nguyên nhân chính gây ra hiện tượng này là do ý định tự tử của những người mắc bệnh trằm cảm. Dựa trên dữ liệu thống kê ở từng quốc gia trong khu vực Đông Nam Á [I5] của.

công ty Klynveld Peat Marwick Goerdeler (tén viét tit KPMG) - một trong bốn công ty kiểm toán và tự vẫn lớn trên toàn thể giới nhằm thảo luận việc chăm sóc sức khỏe tâm thần giữa những khu vực. Dữ liệu cho thấy được rằng tỷ lệ bệnh nhân cỏ ý định tự tử đang sống chung với bệnh trằm cảm ở Hình 12.2: Tỷ lệ có ý định tự tử khi mắc trầm cảm ở khu vực Đông Nam Á năm 2021 trên có thể thấy sự gia tăng nhanh chóng của trằm cảm là điều đáng. Tình hình nghiên cứu “Trong thời đại công nghệ thông tỉn phát triển. nhiều phương pháp ti trí tuệ nhân tạo được phát triển mạnh mẽ để nhận biết cảm xúc con người.

Đặc biệt trong lĩnh vực y tế và tâm lý học, các phương pháp này đang trở thành một hướng tiếp cận quan trọng. Sự gia tăng nhanh chóng trong nghiên cứu về vẫn đề tằm căm là điều đáng chú ý. “Các nghiên cứu tăng đáng kể trong vai năm gần đây được thể hiện ở Hình 1.3 [16 chứng "mình rằng hỗ trợ phát hiện trạng thi rằm cảm thông qua Thị giác Máy tính (Computer Vision) dang là một lĩnh vực phát triển mạnh mẽ. of Studies / Year Hình 1.3: Nghiên cứu phát dau higu tram cam mỗi năm tính đến năm 2020.

Nghị cứu bạn ả dã chứng mình rằng những người mắc bệnh trim cảm và mức độ thể biện trằm cảm được nhận biết qua hành vi phi ngôn ngữ [17], [18] những phát hiện này đã góp phần thúc đẩy lịch sử nghiên cứu lâu dài vi hiện cảm xúc của bệnh nhân trim cảm. Bang t6m tắt [19] đã cung cắp tóm tắt 10 bộ dữ liệu trầm cảm cùng với loại dữ liệu (cam xi, dm thanh, văn bản, .) đã và đăng được sử dụng rong các công trình nghiên cứu để thực hiện nghiên cứu dành cho việc chấn đoán trằm cảm.1: Bảng tóm tắt mười bộ dữ liệu về trầm cảm. AUTHORS-YEAR DATASET TYPE videbech (2016) ‘The Danish Depression Audio/Video Report garcia-ceja (2018) Depression Audio/Video gratch ,artstein ret al. 2014) The Distress Analysis Audio/Video Interview Corpus (DAIC) valstar etal.

(2013) AVEC 2013 Audio/Video valstar et al. (2014) AVEC 2014 Audio/Video valstar et al. (2016) AVEC 2016 Audio/Video lieberman and meyer (2013) Crisis Text Line Text data Is becker cLal. (1994) DementiaBank Database Audio/Video Reddit Self-reported yates etal.

(2017) Depression Diagnosis ‘Text data (RSDD) dataset pradhan et al. (2014) ‘SemEval-2014 Task 7 Text data Một số nghiên cứu đã sử dụng bộ dữ liệu DAIC và bộ dỡ liệu này đã trở nên phổ biến trong các công trình được È cập tại [21, [20I. Ngoài ra, bộ dữ liệu AVEC đã được sử dụng qua các năm trong một số nghiên cứu 24]. Bên cạnh đó, một số nghiên cứu đã thực hiện việc huấn luyện bằng cách tự tạo ra một bộ dữ liệu [4], [25].

Nhóm túc giả [26] đã đề uất hệ thống sử dụng kỹ thuật xử lý ảnh dùng để phát hiện trằm cảm ở sinh viên trong môi trường đại học qua hai biểu cảm tích cực và tiêu cực. nghiên cứu [20], các tác giả đưa ra phương pháp mới là sử dụng mạng tích chập giãn thời gian (Temporal Dilated Convolutional network TDCN) đẻ học thông tin thời gian từ các. chuỗi sau đó sử dụng mô-đun (Feutre-\Wise Atention - EWA) kết hợp các đặc trơn khác nhau được tích xuất từ TDCN. Hay trong nghiên cứu [27] đề xuắt một phương pháp mới để nhận diện nguy co trằm cảm tiém ấn dựa rên hai loại mô hình Deep Belief Network (ĐBN) khác nhau.

Một mô hình tích xuất đặc điểm xuất hiện 2D từ hình ảnh khuôn mặt được thụ thập bởi máy ảnh quang học, trong khi mô ih còn lại trích xuất đặc điểm động. 3D từ các điểm khuôn mặt 3D được thu thập bởi Kinect. Ngoài ra, để mở rộng phạm vi nghiên cứu, các nhà nghiên cứu cũng đã áp dụng mạng nơ-ron tích chap Convolutional ‘Neural Network (CNN) trong hai biến thể quan trong, đó là CNN 2D va CNN 3D. CNN 2D duge sit dung chit yéu dé xir ly hinh ank tinh va di igu 2D, trong khi CNN 3D mở rộng 4p dụng lớp tích chập cho dữ liệu thời gian hoặc dữ liệu không gian ba chiễu, như video và cdữ liệu hình ảnh y tế [27], [28].

[301 Bén cạnh dùng cảm xúc để phát hiện trằm cảm thì từ rất lâu việc nhận dạng trằm cảm «qua giọng nói đã được nghiên cứu và chứng minh từ quá khứ đến hiện tại. là một trong những đặc trưng được nghiên cứu rộng rãi bởi các đặc điểm ngôn ngữ và giọng nói hoàn toàn có thểbị ảnh hưởng bôi trạng thấ in thn cia chi thể, Nghiên cứu [31] 16 đđo được tốc độ giọng nói có sự thay đỗi mạnh nhất trong việc nhận điện bệnh nhân trằm cảm nga là khi mức độ trầm cảm tăng theo điểm của thang đo trầm cảm Halrilon. [5Ð] [33] đã chứng mình được rằng giọng nói của người trầm cảm có liên quan đến thời gian nói. Bên cạnh đó còn có các đặc điểm âm thanh khác như shimmer, jiter, cao độ và năng.

lượng hay độ nung trong long nói, cúc đặc điểm còn liên quan đến âm lượng hay tin sé 134].