La depresión es uno de los trastornos psiquiátricos más extendidos, ya que afecta aproximadamente al 9,5% de los adultos estadounidenses cada año. Las herramientas capaces de detectar automáticamente sus signos podrían contribuir a reducir las tasas de suicidio, ya que permitirían a los médicos identificar con prontitud a las personas que necesitan apoyo psicológico.

Investigadores del Instituto de Investigación Avanzada de Jinhua y de la Universidad de Ciencia y Tecnología de Harbin (China) han desarrollado recientemente un algoritmo de aprendizaje profundo que podría detectar esta enfermedad a partir del habla de una persona. Este modelo fue entrenado para reconocer emociones en el habla humana mediante el análisis de diferentes características relevantes.

Para ello, entrenaron su modelo con el conjunto de datos DAIC-WOZ, una colección de grabaciones de audio y expresiones faciales en 3D de pacientes diagnosticados de trastorno depresivo y de personas sin depresión. Estas grabaciones se recogieron durante entrevistas dirigidas por un agente virtual que hacía diferentes preguntas sobre el estado de ánimo y la vida del entrevistado.

En primer lugar, se realiza un preprocesamiento de la información del habla, que incluye la preacentuación, la ventana de encuadre, la detección del punto final, la reducción del ruido, etc. En segundo lugar, se utiliza OpenSmile (interpretación de voz y música de código abierto mediante extracción en grandes espacios) para extraer las características de clips de audio y clasificarlos.

Los investigadores utilizaron esta herramienta para extraer características individuales del habla y combinaciones de características que suelen encontrarse en pacientes diagnosticados de depresión. A continuación, utilizaron una técnica conocida como análisis de componentes principales para reducir el conjunto.

Su marco obtuvo resultados notables, detectando la depresión con una precisión del 87% en pacientes varones y del 87,5% en mujeres.

En el futuro, el algoritmo de aprendizaje profundo desarrollado por este equipo de investigadores podría ser una herramienta de asistencia adicional para psiquiatras y médicos, junto con otras herramientas de diagnóstico bien establecidas.