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.

Trích đoạn nội dung tài liệu

TRƯỜNG ĐẠI HỌC SƯ PHẠM TPHCM KHOA CÔNG NGHỆ THÔNG TIN NGUYÊN HỎNG THẢO NGUYÊN. NGUYÊN TUẦN HƯNG PHAT HIEN DAU HIEU TRAM CAM SU DUNG MO HINH HQC SAU KHOA LUAN TOT NGHIEP ‘TP.HO CHÍ MINH - NĂM 2024 TRUONG DAI HOC SU PHAM TPHCM KHOA CONG NGHE THONG TIN NGUYEN HONG THAO NGUYEN NGUYEN TUAN HUNG PHAT HIEN DAU HIEU TRAM CAM SU DUNG MO HINH HOC SAU CHUYEN NGANH: SU PHAM TIN HOC. KHOA LUAN TOT NGHIEP NGUOI HUONG DAN KHOA HQC: TS. NGUYEN VIET HUNG ‘TS. PHAN LE SON TP.HCM - NĂM 2024 LOI CAM DOAN Tôi tên Nguyễn Hồng Thảo Nguyên và ôi tên Nguyễn Tuần Hưng. Chúng tôi xin cam đoan đề tài khoá luận tốt nghiệp "Xây dựng mô hình phát hiện dấu hiệu trằm cảm sử dụng mô hình học sâu" là công trình nghiên cứu của chúng tôi, được thực hiện dưới sự. hướng dẫn của Tiến sĩ Nguyễn Viết Hưng và Tiến sĩ Phan Lê Sơn. Các kết quả nêu trong khoá luận à trung thực và nội dung không có sự sao chép từ các tà liệu hay công trình nghiên cu khác mà không ghỉ rõ nguồn trong phần tà iệu tham khảo, Chí tạ tôi xin chịu trách nhiệm về lời cam đoạn này. “Thành phố Hồ Chí Minh, ngày 08 tháng 05 năm 2024 LỜI CẢM ƠN Trước hết, chúng em muốn bày tổ lòng biết ơn sâu sắc đến Tiến sĩ Nguyễn Viết Hưng và Tiền sĩ Phan Lê Sơn, những người đã dành thời gian và tâm huyết để hướng dẫn và hỗ trợ chúng em trong guá tình nghiên cứu khóa lụ Bén cạnh đó, chúng em xin cảm. ơn Thạc Sĩ tần Thanh Nhã đã chỉ bảo và các nhóm nghiên cứu của thầy đã đóng góp những ý kiến đánh giá giúp chúng em hoàn thiện và cải thiện nội dung của luận văn. “Chúng em cũng muốn bày tỏ lồng biết ơn đến tắt cả các giảng viên tai Trường Đại học Sư phạm Thành phổ Hồ Chí Minh, những người đã chia sẻ kiến thức và tạo điều kiện tốt nhất cho chúng em trong quá nh học tập và nghiên cứu. Những kiến thúc và kỹ năng mà chúng em học được là nỀn tăng quan trọng giúp chúng em chuẩn bị tốt hơn cho tương hú Chỗi cùng. chúng em muốn gửi lồi cảm ơn đến gia đình. bạn bè và những người thân yêu, những người đã luôn ở bên cạnh, động viên và hỗ trợ chúng em trong suốt thời gian viết luận văn. Sự ñng hộ và khích lệ của họ à động lực lớn giáp chúng em vt qua những khó khăn và hoàn thành công việc một cách tốt đẹp. Mặc dù chúng em đã cổ gắng hết sức để hoàn thành luận văn trong khả năng của mình, nhưng không tránh khỏi những thiếu sót. Chúng em rất mong nhận được nhận xét và chỉ dẫn tận tình từ quý thay cô và các bạn đọc, “Thành phố Hồ Chí Minh, ngày 0S tháng 05 năm 2024 LỜI CAM ĐOAN. 1 LỜI CẢM ƠN 1 MYC LUC 1 DANH MỤC KÝ HIỆU VÀ CÁC CHỮ VIỆT TÁT 4 DANH MUC BANG BIEU 5 DANH MUC HINH VE 6 LỜI MỞ ĐẦU: 8 1. Mục tiêu nghiên cứu 9 3._ Đối tượng và phạm vi nghiên cứu, 9 4. Phương pháp nghiên cứu ° 5. Y nghĩa khoa học và thực tiễn. Câu trúc của khóa luận tốt nghiệp lô CHUONG 1. TÔNG QUAN TÌNH HÌNH NGHIÊN CỨU. LA, Khao sat nh trang trim cảm. Tìnhhình nghiên cứu. Thách thúc trong lĩnh vực nghiên cứu Is CHƯƠNG2. Thuyết tâm lý hge va lie của trằm cảm, 20 24. Lịch sử phát triển trong nghiên cứu 2.2, Khái niệm tằm cảm 21 2.3, Phuong pháp đánh giá truyền thông 24 2. Gidi thiệu mạng nơ-ron nhân tạo.1, Reclified Linear Activation 29 2.2, Scaled Exponential Linear Unit 30 2.3, Gidi thiệu mạng nơ-ron tích chập Convolutional Neural Network. Giới thiệu mạng nơ-ron hoi quy Recurrent Neural Network, 34 2. - Giới thiệu mạng Long Short-Term Memory 35 2.6, Giới thigu Hierarchical Attenon Networks. CƠ SỞ DU' LIEU TRAM CAM 31. Phân tích bộ dữ liệu trằm cảm 39 3.11, Giới thiệu bộ dữ liệu DAIC-WOZ 39 3. Cu trúc bộ dữliệu DAIC-WOZ.2, Ưu và nhược điểm bộ dữ liệu rằm cảm “ 3. Phương pháp xử lý dữ liệu “4 3. Tidn xr nga liệu 45 32. Tiên xử lý đặc trưng khuôn mặt a7 33. Tiền xirly Am thanh 51 34. Xiely chudi thời gian 54 35. Xử lý mắt cân bằng dữ liệu 37 CHUONG 4, XÂY DỤNG MÔ HÌNH PHÁT HIỆN DẦU HIEU TRAM CAM.1, Mô hình đỀ xuấtvới đặc trưng khuôn mặt 59 4. Mô hình đề xuất với đặc trưng âm thanh. 60 43, Mô hình đ xuất với đặc trưng văn bản 61 2 44, Mô hình đề xuất kết hợp các đặc trưng @ CHUONG5. THỰC NGHIỆM VÀ ĐÁNH GIÁ.1, Môi trường thực nghiệm 6 4. Môi trường lập trình 68 4. Môi trường huấn luyện 6 441, Phương pháp đánh giá 63 42. Dữ liệu đầu vào. - Kết quả thực nghiệm 66 44, Thảo luận 68 CHUONG 6. KET LUAN VA HUONG PHAT TRIEN TÀI LIỆU THAM KHẢO n PHỤ LỤC 83 DANH MỤC KÝ HIỆU VÀ CÁC CHÍ “The Diagnostic and Statistical Manual of Mental Disorders | DSM World Health Organization WHO Major Depressive Disorder ‘MDD Major Depression MD ‘Massachusetts Institute of Technology Deep Convolutional Neural Network Rectified Linear Unit ‘Scaled Exponential Linear Unit DANH MUC BANG BIEU Bang 1.1 Bảng tóm tắt mười bộ dữ liệu về rằm cảm Bảng 21 Bang thang điểm kí luận mức độ trằm cảm theo Beck Bảng 22 Bảng thang điểm kết luận mức độ trằm cảm PHO, Bang 2.3: Bảng thang điền kết luận mức độ rằm cảm HAMD Bang 3.1 Thống ó lượng dĩ liệu wong DAIC Bang 3.2: Kích thước dữ liệu đặc trưng khuôn mặt Bảng 33 Số lượng chuỗi ở tập dữ liệu Bang 34 Số lượng chuỗi sau khi cân bằng Bảng 5.1 Kích thước dữ liệu đầu vào Bang 52: Số lượng chuỗi đầu vào.3: Dung lượng dữ liệu đầu vào.4 Kết quả so sánh ở cả hai trường hop.5: Kết quả thực n Bing 5.6 “So sánh công trình DANH MUC HINH VE Hình L.I: Biểu đồ thống kế số lượng các nhóm bệnh thuộc tố loạn tâm thin Hình L2: Tý lệ có ý định tự tử khi mắc trằm cảm ở khu vực Đông Nam Á năm 2031 Hình L.3: Nghiên cứu phát hiện dấu hiệu trim cảm mỗi năm tính đến năm 2020, Hình 2.1 Minh hoạ 6 AU đầu tiên Hình 22 Tổng hợp 27 Acton Unit đầu tiên Hình 3: Kiến trúc mạng no-ron nhân tạo ANN nhiễu lớp.4: Kiến trúc của một nơ-ron Hình 2.5: Sự n định của mạng SNN trong huấn luyện Hình 2.6: Kiến trúc mạng nơ-ron tich chap CNN Hình 27: Kiến trúc cơ bản mạng nơ-ron hồi quy RNN Hình 28: Kiến trúc HAN Hình 3.1: Minh hoạ cuộc phòng vấn trong bộ dữ iệu DAIC, Hình 3 2: Cách sắp xếp dữ liga tho Hình 3.3: Các mẫu từ tập bản ghỉ sử dụng làm dữ iệu văn bản Hình 3.4: Chọn lọc văn bản của người tham gia Hình 3.5: Trực quan các đặc trưng trên khuôn mặt Hình 3.6: Dữ iệu landmark ti ame đầu tiên trong tệp Hình 3:7: Dữ liệu hướng nhìn tại fiame đầu tiên trong tệp Hình 3.8: Mô tả hướng quay bằng các sóc Baler Hình 3.9: Dữ liệu hướng đầu tại iame đầu tiên trong tập Hình 3.10: Đoạn ghỉ âm của bệnh nhân có ID 300 Hình 3.11: Biểu đồ dạng sóng âm thanh Hình 3.12; Quá trình khử nhiễu âm thanh.13: Minh hoạ cắt dỡ liệu chuỗi Hình 4.1: Kiến trúc mô bình đề xuất với đặc trưng khuôn mật Hình 42: Kiến trúc mô hình it v6i đặc trưng âm thanh, 6 Hình 4.3: Kiến trúc mô hình đề xuất với đặc trưng văn bản Hình 44: Kiến trúc mô hình đề xuất kết hợp cúc đặc trưng LỜI MỞ ĐÀU 1. Lý đo chọn để tài “Trong bối cảnh của một thể giới liên kết mạnh mẽ qua công nghệ thông ti, xã hội đã chứng kiến những bước tiền vượt bậc về khoa học, kỹ thuật và kinh tế, Những thành tựu khoa học và kỹ thuật đã mang lại nhiễu tiện ích to lớn chơ cuộc sống. Từ việ tạo ra các phương tiện có ích đến sự phát triển của các ngành giúp cải thiện chất lượng cuộc sống. iện đại đã mang lại nhiều cơ hội mới cho con người nhưng cũngđi kèm với những áp lực và thách thức không nhỏ. Áp lực công việc và tốc độ ciia moi trường sống ngày cảng gia tăng làm cho cuộc sống trở nên hỗi ha vi cing thing hơn khiế ntâm lý cùng tỉnh thần của con người: àng trở nên một mỏi cũng như sa sút thường, xuyên Điều này dẫn đến việc phát sinh ra nhiều mỗi nguy hiểm cho sức khoẻ tâm tí con người cùng với sự gia tăng các bệnh tâm lý, Trong đó, trằm cảm là một hiện tượng bệnh lý đặc biệt xuất hiện ngày càng nhiễu trong cuộc sống hiện nay. Theo thông tin từ Tổ chức Y tế Thể ới (World Health Organization ~ WHO), trằm cảm là một tình trạng bệnh lý phổ iển và nghiêm trọng, tắc động iêu cục đến cuộc sống hàng ngày của hơn 280 triệu người LI]: Biểu hiện nghiêm trọng của trầm cảm được gọi à tố loạn trằm cảm nặng (Major Depressive Disorder - MDD) hoặc trằm cảm nặng (Major Depression - MD) được đặc trưng bởi cảm giác buỗn bã dại đẳng vớ tâm trạng chấn nàn lan tôa và kéo đài, kèm theo việc mắt hứng thú với các hoạt động bên ngoài [2]. Do đó, việc phát hiện các triệu chứng của rối loạn tâm thẳn ngày càng trở nên quan trọng trong lĩnh vực y học và tâm lý học. Các chuyên gia tâm thần và tâm lý học đã đánh giá các kết quả từ việc nhận điện dấu hiệu và thực hiện điều tị kịp thời cho bệnh nhân. Tuy nhiên, điều này vẫn dẫn đến h trạng thiểu sót trong việc tổng hợp hiệu quả giữa các phương pháp kết hợp với quan sát hành dù cho hành vi vốn là những biểu hiện rõ rằng của chứng rồi loạn tâm lý [4] “rong bồi cảnh này, việc áp dụng trí tuệ nhân tạo để hỗ rợ phát hiện dẫu hiệu của trang thi trim cảm đang trở thành một hướng tp cận quan trọng [2]. Tử những lý do trên, chúng tôi quyết định xây dựng một mô hình phát hiện dầu hiệu trầm cảm dùng mô hình học sâu. Mô hình này không nhằm mục. ch thay thể phân đoần của cíc chuyên giay tế mà nhằm trợ trong việc đưa ra chẩn đoán của phát hiện đầu hiệu bệnh trằm cảm: 2. Mục tiêu nghiên cứu Xây ưng mô hình phát hiện dẫu hiệu trim cảm sử dụng mô hình học sâu 3, Đối trợng và phạm vi nghiên cứu Đổi tượng nghi cứu của đề tà là các cá nhân có khả năng trằm cảm hoặc không trầm cảm Phạm vi nghiên cửu sẽ tập trung vào việc sử dụng mô hình học sâu dé phát hiện dấu hiệu rằm cảm thông qua cuộc tr chuyện phòng vẫn với tượng. Thực nghiệm và đánh siá trên bộ dữ liệu trằm cảm DAIC.