Análise computacional da voz como uma ferramenta de auxílio diagnóstico de transtornos mentais

Abstract

A psiquiatria é uma especialidade médica que ainda carece de marcadores e exames objetivos em sua rotina, levando a uma grande necessidade pelo desenvolvimento de tais parâmetros nessa área. Nesse contexto, diversos estudos têm demonstrado a existência de mudanças nas propriedades acústicas da voz em vários transtornos mentais, como depressão maior, transtorno bipolar e esquizofrenia, sugerindo que tais alterações possam ser indicadores da presença de determinado transtorno. O presente trabalho avaliou o uso de parâmetros vocais como biomarcadores que podem auxiliar o diagnóstico psiquiátrico. Foram utilizados métodos computacionais e de aprendizado de máquina para a extração de parâmetros acústicos e para a construção de ferramentas automatizadas de apoio diagnóstico de quatro transtornos mentais: depressão maior, esquizofrenia, transtorno bipolar e transtorno de ansiedade generalizada. Para tanto, foi construída uma base de dados própria em ambientes naturalísticos, a qual foi utilizada nos experimentos de testes e validação. Foram realizados dois conjuntos de experimentos computacionais independentes de classificação com algoritmos supervisionados de aprendizado de máquina, o primeiro com o balanceamento padrão do software Weka (ClassBalancer) e o segundo com o método SMOTE. O framework desenvolvido neste trabalho forneceu acurácias classificatórias gerais de 79,23% com o modelo SVM para o primeiro conjunto de experimentos, e de 81,45% com Random Forest para o segundo. Esses resultados reforçam a robustez do emprego de atributos acústicos para a detecção de transtornos mentais com base em modelos de aprendizado de máquina.