Adolescent Suicidal Risk Assessment in Clinician-Patient Interaction
论文传送门
期刊会议
IEEE Transactions on Affective Computing. 2017
作者
南加州大学创新技术研究所
- Verena Venek
- Stefan Scherer
- Albert Rizzo
卡耐基梅隆大学语言技术研究所
- Louis-Philippe Morency
辛辛那提儿童医院
- John Pestian
摘要
青少年自杀是一个重大的公共卫生问题。它是美国13到18岁儿童死亡的第三大原因。许多面临自杀想法或制定自杀计划的青少年从未寻求专业护理或帮助。在这项工作中,我们评估对五项普遍问卷的口头和非口头答复,以确定和评估青少年的自杀风险。我们利用机器学习的方法来从非自杀的言语中识别自杀行为,以及表征过去多次试图自杀的青少年。我们的研究结果调查了面对面的医患互动的言语和非言语行为信息。我们调查了30名有自杀倾向的青少年(13名重复者和17名非重复者)和30名无自杀倾向的青少年的60例录音式临床病人访谈。对临床医生和青少年之间的交互作用进行统计分析,以揭示自杀青少年和非自杀青少年之间的差异,并调查自杀重复者和非自杀重复者的行为。通过使用一个层次分类器,我们能够显示言语回答普遍问题部分的访谈对于甄别自杀和非自杀的病人是有用的。然而,要对自杀重复者和自杀不重复者进行额外的分类,需要更多的信息,尤其是非语言信息。
引言
ubiquitous questionnaire (UQ): 由五个开放式的无处不在的问题组成。
这些问题针对患者的情绪状态,旨在让患者自由地表达自己的感受,而不是要求对许多更具体的问题做出回答。
访谈包括两个不同部分
- UQ 部分:只包含普遍存在的问题
- 非 UQ 部分:包括关于患者睡眠模式、朋友和社交网络习惯的问题
青少年在过去多次自杀企图被称为重复者
无重复者群体由有一次或没有自杀企图的自杀青少年组成,但至少表现出自杀倾向或想法的迹象
研究问题
- 通过分析结构化临床医生-患者互动中的言语和非言语行为模式,有可能识别一个人的自杀风险吗?
- 通过分析语言和非语言行为模式,有可能识别患者是否已经不止一次试图自杀吗?
- 有没有可能只在无处不在的问题背景下,通过语言和非语言的互动来识别一个人的自杀风险?
相关工作
语言行为:声音、言语等
非语言行为:面部表情、文字等
分类器
数据集
一名训练有素的社会工作者采访了 30 名男性青少年和 30 名女性青少年,并要求他们回答 16 个问题
- Columbia Suicide Severity Rating Scale (C-SSRS version 1/14/2009)
- Suicidal Ideation Questionnaire-Junior (SIQ-JR version 1987)
- Ubiquitous Questionnaire (UQ version 2011)
参与者的平均年龄为 15.47 岁,标准差为 1.5
根据实际自杀企图的总数和过去六个月的实际企图总数,如果这两个参数中的一个大于 1,则该受试者被归类为重复者。
从参与者中确定了十三个自杀重复者,7名男性,6名女性
他们的潜在对照是骨损伤患者,因为他们被认为是所有急诊科患者中生物和神经系统干扰最少的。
总的来说,对有自杀倾向的病人的所有采访都比对照者的采访持续时间长。
有自杀倾向的病人的平均交流时间是 869 秒。相比之下,对照组的平均采访时长几乎减半,采访持续时间约为 490 秒。
在 UQ 的案例中,非自杀者采访的部分平均持续 286 秒(4.8 分钟),有自杀倾向的重复者持续 521 秒(8.7 分钟),有自杀倾向的非重复者持续 554 秒(9.2 分钟)。
调查特征
- 会话动态特征 (conversation dynamic features)
- 语音和停顿时间百分比
- 每秒单词率
- 打断率:打断次数/采访持续时间
- 口头语言信息 (verbal information)
- 语言类别,依据词类量表,包括人称代词,与积极和消极相关等
- 声学信息特征 (acoustic information)
- Fundamental frequency (f0)
- Normalized amplitude quotient (NAQ)
- Quasi-open quotient (QOQ)
- Parabolic spectral parameter (PSP)
- Maxima dispersion quotient (MDQ)
- Peak slope (PS)
- Liljencrants-fant model parameter Rd
- Formants (F1, F2)
反向通道被定义为采访者持续时间小于 700 毫秒的语音片段
统计分析
使用方差分析对两类案例进行统计分析:自杀青少年与非自杀青少年,自杀重复者与自杀非重复者。
自杀者与非自杀者
Conversation:
仅在 UQ 案例中,患者说话超过临床医生的比率是显著的。
有自杀倾向的病人比没有自杀倾向的病人更经常打断他们的临床医生。
Verbal information
无自杀倾向的青少年更经常使用否定的术语和积极情绪的提法,自杀患者更多地使用个人专有名词和对自己的称呼,也更常提到死亡
Acoustic information
自杀患者的平均说话频率较高。此外,在反向通道中,显示出与自杀患者的对话更容易激动。
自杀重复者与自杀非重复者
Conversation
在与自杀非重复者的访谈中发现了更多的重叠。
Verbal information
无论是在 UQ 还是在非 UQ 的情况下,都没有观察到任何相关的语言信息特征的统计显著性。
Acoustic information
自杀非重复者的声音带有呼吸声
层次分类
我们开发了一个两层的分类,在第一层中,自杀患者和非自杀患者用径向基核 SVM 分类法来区分。有自杀倾向的病人被转到第二层。在那里,使用集成算法 AdaBoostM1 对重复者和非重复者进行分类。
在 UQ 案例中,患者和临床医生的 37 个统计学显著特征用于区分自杀和非自杀青少年(见表 3 和表 4 的第一列)。
这些特征包括 6 个会话特征、14 个语言特征和 17 个声学特征。
为了区分非重复者和重复者,使用了 20 个特征,包括 1 个对话特征和 19 个声学特征(见表 5 的第一列)。
仅使用患者的特征,分级分类的准确率为 56.7%。自杀和非自杀患者的分类准确率为 85%。重复者和非重复者之间的分类仅达到 34.5%的准确率。通过添加临床医生的特征,第一层的精确度得到了提高(90%),但在第二层,精确度甚至降低了(33.3%)。
最后测试的训练集包含患者、临床医生和反向通道特征。自杀和非自杀患者的分类准确率达到 88.3%。重复者和非重复者的分类准确率为 51.6%
在非 UQ 情况下,第一层使用 34 个要素(见表 3 和表 5 的第二列)。这套包括 5 个会话,11 个语言和 18个病人和临床医生的声学特征。在重复者与非重复者对比中,20 个特征用于训练和测试,仅包括 18 个声学特征(见表 5 的第二列)。
仅使用患者特征时,分级分类的准确率为 55%。当增加临床医生的特征时,准确率降低到 51.7%,尽管自杀层与非自杀层的准确率从 76.7%增加到 85%。然而,第二层的精确度从 50%下降到 39.4%。当使用患者、临床医生和临床医生的反向通道的特征来测试分级分类时,准确率达到 71.7%。第一层的准确率提高到 86.7%,第二层甚至提高到 67.7%。相应的精度列于表 8。
我们将分类实验提供的精度与通过在两个层中使用集成分类器获得的精度进行了比较。分类使用了完整的访谈信息。自杀与非自杀区分的准确率达到 90%,而自杀重复者与自杀非重复者分层分类的准确率为 60%。在整个层次上的分类产生了 73.3%的准确率。当使用来自临床医生-患者交互的所有信息时,准确度最高。
讨论
回答之前介绍的研究问题
RQ1:我们通过对 30 名自杀和 30 名非自杀患者的 60 次访谈进行统计分析,揭示了一系列特征。总的来说,我们发现 22 个具有统计学意义的患者特征,21 个具有临床特征。
RQ2:当评估自杀重复者和自杀非重复者之间的显著差异和特征变化时,主要是声学信息具有统计学意义。
由于缺乏言语和会话特征的显著差异,评估自杀重复者的其他非言语行为将是有益的。一些研究已经关注了临床医生和自杀重复者的面部表情。不幸的是,我们无法获得目前工作的录像。
RQ3:对于两种互动环境,即 UQ 和非 UQ 部分的访谈,在分析自杀和非自杀青少年时,发现了显著不同的特征。UQ 确实比基于事实的问题引发了更多的情感反应,UQ 对自杀和非自杀病人的分类是最具分辨性的。我们发现重复者的识别依赖于临床医生和患者的非语言行为。
在未来,一项包括基于视频的患者和临床医生特征的多模态研究可以提高分级分类的适度准确性。
结论
本研究对自杀风险评估中的两个案例进行了调查和比较。
总的来说,研究表明,访谈中普遍存在的问题(UQ)有助于评估青少年的自杀风险,即区分自杀和非自杀患者。我们可以表明,年轻患者和临床医生的言语行为对于评估访谈中的自杀风险很重要,但评估再次尝试自杀的可能性,非言语行为信息,特别是声学特征,很重要。因此,我们认为,本文所研究的方法有可能为临床医生评估自杀风险提供额外的支持。
Adolescent Suicidal Risk Assessment in Clinician-Patient Interaction相关推荐
- 20200324_W_Seismic risk assessment of complex transportation networks
摘记Seismic risk assessment of complex transportation networks [UMI] - 2014Stanford- Seismic risk asse ...
- 8.1 A Bayesian Methodology for Systemic Risk Assessment in Financial Networks(4)
5.系统风险评估的应用 5.1 压力测试金融网络 我们现在使用我们的方法进行压力测试.我们假设除了L的行和.列和外,我们还观察到外部资产 a ( e ) ∈ [ 0 , ∞ ) n a^{(e)}\i ...
- 8.1 A Bayesian Methodology for Systemic Risk Assessment in Financial Networks(3)
4. 抽样 如何使用MCMC算法(更准确地说,吉布斯采样器)从负债矩阵的条件分布中采样,给定其行和列和 ( l , a ) (l,a) (l,a)和已知元素.然后,这些样本可以插入到感兴趣的函数中,以 ...
- 8.1 A Bayesian Methodology for Systemic Risk Assessment in Financial Networks(2)
2. 银行间负债网络 考虑由 n ∈ N , N = { 1 , . . . , n } n∈N,N=\{1,...,n\} n∈
- 8.1 A Bayesian Methodology for Systemic Risk Assessment in Financial Networks(1)
构造遵循贝叶斯方法的个体负债模型.以观察到的总负债和总资产以及潜在的某些观察到的个体负债为条件,构造Gibbs采样器从该条件分布中生成样本. 这些样本可用于压力测试,给出感兴趣结果的概率.作为一个应用 ...
- 根据交谈和3D面部表情判断抑郁症
附上论文链接<Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions>ht ...
- 利用3D面部表情及口语语言的多模态方法进行抑郁症智能化识别
附上论文链接<Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions>ht ...
- Day 5. Suicidal Ideation Detection: A Review of Machine Learning Methods and Applications综述
Title: Suicidal Ideation Detection: A Review of Machine Learning Methods and Applications 自杀意念检测:机器学 ...
- 软件流程和管理(三):Risk Management
目录 1. 理解风险管理的基本原理 1.1 Risk vs Uncertainty 1.2 为什么要进行正式的风险管理 2. 理解风险管理流程 3. Risk Management Planning ...
- 自动驾驶安全框架开发进展综述
对于自动驾驶车辆来说,安全的重要性毋庸置疑,为了恰当评价从而确保自动驾驶车辆的安全性,各国家.公司和组织已经开始努力开发一个自动驾驶安全框架或至少部分框架,以指导ADS的安全测试和部署. 1. RAN ...
最新文章
- 移动端制作公共样式reset
- VUE项目中使用this.$forceUpdate();解决页面v-for中修改item属性值后页面v-if不改变的问题
- SpringBoot @Cacheable自定义KeyGenerator
- linux大端小端命令,linux的大小端、网络字节序问题
- c语言内循环,C语言循环控制语句
- android user版本默认开启调试模式
- 【MySQL】MySQL常见的读写分离方法
- Spring beans配置方案(二) 学习笔记
- cocos2d0基础篇笔记二
- 用户身份链接方法——DeepLink
- Android开发,并不见得是一个走得长远的路子
- Oracle 同音字查询,汉字的演变过程100字,汉字的演变图片
- TP5 ZipArchive 的坑
- 3Dmax建模教程详细步骤3D建模速成入门到高级教程
- 解决 Ubuntu 安装显卡驱动后,屏幕变黄的原因
- LTE物理传输资源(3)-时频资源
- Intellij集成Vue开发环境
- 自动给ssh输入密码(python使用pty模块,或者script命令)
- ROS Kinetic Kame机器人操作系统学习笔记
- 爆了!K哥搞定8个Offer