Aprenentatge automàtic multimodal per al reconeixement de la simptomatologiade simptomatologia depressiva en interaccions conversacionals entre humans i humans virtuals

Read full text Summarise with VIRAT
Authors: Lucas Sebastián-Peris
Cited by: 0
References: 21

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

[ES] La sintomatología depresiva representa una afección de salud mental subclínica, que puede afectar significativamente a la regulación emocional y el funcionamiento diario, incluso en ausencia de un diagnóstico formal de trastorno depresivo mayor. Estudios tradicionales se centran en gran medida en entornos de laboratorio controlados o paradigmas en estado de reposo, que limitan su validez ecológica. Se propone un marco novedoso para la detección de la sintomatología depresiva utilizando datos multimodales adquiridos durante conversaciones casuales con humanos virtuales, lo que permite la recopilación simultánea de información electroencefalográfica, auditiva y textual. Se trata como una clasificación binaria entre control y sintomatología depresiva, con etiquetas derivadas del PHQ-9. Se adopta un enfoque de aprendizaje automático basado en clasificadores XGBoost, usando ingeniería de características, reducción de dimensionalidad mediante PCA y validación cruzada. Se exploran estrategias tanto unimodales como multimodales, incluida una novedosa segmentación de señales EEG utilizando la detección de actividad vocal para alinear la actividad neuronal con la dinámica conversacional. Los resultados indican que el EEG constituye la modalidad más informativa y que la segmentación del EEG según la actividad del habla mejora sustancialmente el rendimiento de la clasificación. Los mejores resultados emplean características de EEG durante el habla del usuario, alcanzando una precisión del 66,5 ± 10 %. Los enfoques multimodales superan sistemáticamente a las referencias unimodales, lo que marca el valor complementario de combinar información fisiológica, acústica y lingüística. Este trabajo hace hincapié en la interpretabilidad, demostrando asociaciones significativas entre las bandas de frecuencia neural, el contexto conversacional y la sintomatología depresiva. Aunque las precisiones obtenidas no son suficientes para un diagnóstico clínico, los resultados respaldan la viabilidad de la detección en entornos conversacionales naturales y sugieren que los marcos multimodales constituyen una dirección prometedora para las tecnologías de detección temprana y apoyo a la salud mental.

Fields of Study & Subjects

Emotion and Mood Recognition EEG and Brain-Computer Interfaces Mental Health via Writing

Publication details

Journal / source
RiuNet (Universitat Politècnica de València)
Publication date
27 March 2026
Language
EN
Document type
Thesis