Ingeniería de Sistemas y Computación · 2020
Validación del modelo Depresión detect para el diagnóstico automático de la depresión mediante la voz basado en redes convolucionales profundas.
En este proyecto se plantea la validación del Modelo Depression Detect para el diagnóstico automático de la depresión mediante la voz basado en redes convolucionales profundas por medio de un despliegue en condiciones controladas, con base en las características prosódicas del habla de una persona extraídas de la Base de Datos DAIC-WOZ, realizando un tratamiento a dichas señales de audio mediante métodos ya existentes; seguidamente procesando dicha información en la CNN a fin de obtener conclusiones que permitan detectar la depresión de una persona.
Texto completo 140 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- 1. INTRODUCCIÓNp. 21
- 2. PLANTEAMIENTO DEL PROBLEMAp. 24
- Definición del Problemap. 24
- Antecedentes del Problemap. 24
- Enunciado del Problema:p. 26
- 3. JUSTIFICACIÓNp. 27
- 4. OBJETIVO GENERAL Y ESPECÍFICOSp. 28
- Objetivo Generalp. 28
- Objetivos Específicosp. 28
- 5. MARCO DE REFERENCIAp. 29
- Marco Teóricop. 29
- Depresión, Una Vista Generalp. 29
- Inteligencia Artificialp. 33
- Machine Learningp. 34
- Deep Learningp. 36
- Marco Conceptualp. 42
- Redes Neuronales Convolucionales (CNN’s)p. 42
- Espectrogramap. 44
- Desequilibrio de Clasep. 44
- DAIC-WOZ Depression Databasep. 45
- Características Acústicas del Hablap. 45
- Kerasp. 46
- Theanop. 46
- TensorFlowp. 46
- Descripción del Modelop. 46
- Marco Legalp. 50
- 6. ESTADO DEL ARTEp. 52
- 7. DISEÑO METODOLÓGICOp. 54
- Hipótesisp. 54
- Tipo de investigaciónp. 54
- Poblaciónp. 54
- Muestrap. 54
- Variablesp. 55
- Diseño de instrumentos para toma de informaciónp. 56
- objetivos específicosp. 28
- 8. IMPLEMENTACIÓNp. 65
- Levantamiento de Informaciónp. 65
- Desglose de la estructura de la base de datos DAIC-WOZp. 68
- Análisis de PHQ-8 y cómo influye al detectar la depresiónp. 71
- predictores prometedores de la depresiónp. 63
- Verificar la calidad de los archivos de Audiop. 63
- utilizada en el modelo DepressionDetectp. 28
- Entorno de Trabajop. 78
- Segmentación del Audio de los Participantes de la Base de Datosp. 63
- Desequilibrio de Clase dentro de la Base de Datosp. 82
- Balanceo de la Base de Datos sin Perdida de Informaciónp. 89
- información sin sesgop. 63
- los participantesp. 107
- Implementar la arquitectura del modelo DepressionDetectp. 115
- entrenamientop. 28
- disponibles en la base de datosp. 64
- 9. RESULTADOSp. 125
- CONCLUSIONESp. 126
- RECOMENDACIONESp. 127
- BIBLIOGRAFÍAp. 128
- muestras de audiop. 56
- muestras de audiop. 56
- 1.100.000 muestras de audiop. 56
- 1.100.000 muestras de audiop. 56
- 2.100.000 muestras de audiop. 56
- 2.100.000 muestras de audiop. 56
- 3.100.000 muestras de audiop. 56
- 3.100.000 muestras de audiop. 56
- 4.100.000 muestras de audiop. 56
- 4.100.000 muestras de audiop. 56
- Tabla 15 - Categorías de Depresión en base al puntaje de PHQ-8p. 72
- Tabla 16 - Rango de Muestras de Audio – Participante 300p. 80
- Tabla 17 - Dataframe – Segmentación del Audio de los Participantesp. 81
- Participantesp. 68
- Tabla 25 - Duración de la Entrevistas de los Participantes (Muestras de Audio)p. 94
- Submuestreop. 96
- Tabla 27 – Base de Datos DAIC-WOZ - Desbalanceadop. 100
- Tabla 28 - Base de Datos DAIC-WOZ - Balanceadop. 101
- Tabla 29 - DataFrame – Train (Depresivo, No Depresivo) para CNNp. 113
- Tabla 30 - DataFrame – Test (Depresivo, No Depresivo) para CNNp. 113
- muestras de audiop. 56
- Tabla 32 - Resultados del Modelo - rango de 0 a 100.000 muestras de audiop. 120
- 1.100.000 muestras de audiop. 56
- audiop. 68
- 2.100.000 muestras de audiop. 56
- audiop. 68
- 3.100.000 muestras de audiop. 56
- audiop. 68
- 4.100.000 muestras de audiop. 56
- audiop. 68
- Tabla 41 - Resultadosp. 125
- Gráfica 1 - Inteligencia Artificial (Desglose)p. 34
- Gráfica 2 - Aprendizaje Supervisado y Aprendizaje No Supervisadop. 36
- Gráfica 3 - Arquitectura Red Neuronal Artificialp. 38
- Gráfica 4 - Esquema de una Red Neuronal (Pesos, Función de Activación)p. 39
- Gráfica 5 - Arquitectura general de la CNN [4, p. 2]p. 43
- palabras habladas, "Bienvenido a DepressionDetect " [4, p. 2]p. 44
- Gráfica 8 - DepressionDetect arquitectura CNN [4, p. 3]p. 47
- Gráfica 7 - Descripción de la Arquitectura del Modelo de la CNN [64, p. 3]p. 48
- Gráfica 9 - Estructura Matriz de Confusión [82]p. 55
- Gráfica 10 - Descarga de la Base de Datos DAIC-WOZp. 66
- Gráfica 11 - Conjunto de Datos DAIC-WOZp. 67
- Gráfica 12 - Audios y Transcripts - Base de Datos DAIC-WOZp. 68
- Gráfica 13 - Descripción de los datos DAIC-WOZ [83, p. 1]p. 69
- Gráfica 14 - Puntuación formulario PHQ-8 [86, p. 3]p. 73
- Gráfica 15 - Estructura del Formulario de PHQ-8 [22, p. 167]p. 74
- Gráfica 16 - Descripción de la Carpeta – Entrevistas [83, p. 2]p. 76
- Gráfica 17 - Micrófono HSP 4-EW-3 [87]p. 76
- Gráfica 18 - Base de Datos DAIC-WOZ - Participantes Desbalanceadop. 83
- Gráfica 19 - Base de Datos DAIC-WOZ - Desbalanceadap. 83
- Gráfica 21 - Base de Datos DAIC-WOZ - Participantes - DEV Desbalanceadop. 85
- Gráfica 22 - Base de Datos DAIC-WOZ - Participantes - TEST Desbalanceadop. 85
- Desbalanceadop. 83
- "Depresión, No Depresión"p. 91
- Gráfica 32 - Muestras de Audio - Entrevistas - DEV "Depresión" Submuestreop. 98
- Gráfica 36 - Base de Datos DAIC-WOZ - Participantes Balanceadop. 101
- Gráfica 37 - Base de Datos DAIC-WOZ - Balanceadap. 102
- Gráfica 38 - Relaciones entre las clases de la Librería ThinkDSP [91, p. 8]p. 103
- Gráfica 39 - Audio Conversación - 300_1_AUDIO_PARTICIPANT - Sin Filtrarp. 104
- Gráfica 40 - Espectro de Onda - 300_1_AUDIO_PARTICIPANT - Sin Filtrarp. 105
- Sin Filtrar y Filtradop. 107
- Gráfica 45 - Muestras de Audio - Entrevistas - DEV "Depresión" Remuestreop. 110