ЗАСТОСУВАННЯ МЕТОДІВ ОБРОБКИ ПРИРОДНОЇ МОВИ ДЛЯ ВИЯВЛЕННЯ СИМПТОМІВ МЕНТАЛЬНОГО ЗАХВОРЮВАННЯ

С. Д. Погорілий; А. А. Крамов

doi:10.11603/mie.1996-1960.2020.1.11125

Автор(и)

С. Д. Погорілий Київський національний університет імені Тараса Шевченка
А. А. Крамов Київський національний університет імені Тараса Шевченка

DOI:

https://doi.org/10.11603/mie.1996-1960.2020.1.11125

Ключові слова:

виявлення симптомів ментального захворювання, обробка природної мови, модель некогерентності, модель тангенційності, семантичне представлення елементів тексту, класифікаційна модель

Анотація

Здійснено порівняльний аналіз різних методів оброблення природної мови для виявлення симптомів ментального захворювання. Розглянуто принцип роботи та ефективність моделей оцінювання семантичної когерентності тексту (моделі тан-генційності та некогерентності) для класифікації текстів здорових і хворих осіб. У роботі зазначається залежність точності моделей некогерентності та тангенційності від моделі семантичного представлення фрагментів тексту; підкреслюється недолік використання такої моделі в зв'язку з відсутністю можливості враховувати регулярне повторення фраз. Проаналізовано переваги та недоліки застосування комбінації моделей семантичного представлення елементів тексту для врахування постійних повторів його фрагментів. Обґрунтовано доцільність застосування лінгвістичних характеристик тексту пацієнта для підвищення точності класифікаторів виявлення симптомів захворювань та розрізнення їх типу. Розглянуто можливість аналізу частоти появи неоднозначних займенників у тексті для підвищення точності класифікації даних. Проаналізовано особливості застосування різних методів виявлення симптомів ментального захворювання для текстів англійською, німецькою та російською мовами. Запропоновано здійснювати оцінювання зв'язності тексту за допомогою графу узгодженості словосполучень. Здійснено експериментальну перевірку ефективності пропонованого підходу для побудови класифікаційної моделі порівняно з іншими характеристиками тексту.

Посилання

Altamura, C., Goikolea, J. (2008). Differential diagnoses and management strategies in patients with schizophrenia and bipolar disorder. Neuropsychiatric Disease and Treatment, 4 (1), 311-7. DOI: https://doi.org/10.2147/NDT.S2703

Pogoriliy, S. D., Kramov, A. A. (2018). Metod rozrakhunku koherentnosti ukrayins'koho tekstu. [Method of calculating the coherence of the Ukrainian text]. Reyestratsiya, zberihannya i obrobka danykh (Registration, storage and data processing), 20:4, 6475. [In Ukrainian].

Elvevag, B., Foltz, P. W., Weinberger, D. R., Goldberg T. E. et. al. (2007). Quantifying incoherence in speech: an automated methodology and novel application to schizophrenia. Schizophrenia research, 93 (1-3), 304-16. DOI: https://doi.org/10.1016/j.schres.2007.03.001

Bedi, G., Carrillo, F., Cecchi, G. A. et. al. (2015). Automated analysis of free speech predicts psychosis onset in high-risk youths. npj Schizophrenia, 1, 1-20. DOI: https://doi.org/10.1038/npjschz.2015.30

Mikolov, T., Sutskever, I., Chen, K. et. al. (2013). Distributed representations of words and phrases and their compositionality. Proceedings of the 26th International Conference on Neural Information Processing Systems, 3111-9.

Mikolov, T., Le Q. (2014). Distributed representations of sentences and documents. International Conference on Machine Learning, 1188-96.

Pennington, J., Socher, R., Manning, C. D. (2014). Global vectors for word representation. Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP), 1532-43. DOI: https://doi.org/10.3115/v1/D14-1162

Peters, M., Neumann, M., Iyyer M. et. al. (2018). Deep Contextualized Word Representations. Proceedings of DOI: https://doi.org/10.18653/v1/N18-1202

the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), 2227-37.

Devlin, J., Chang, M., Lee, K. et. al. (2029). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of NAACL-HLT 2019, 4171-86.

Iter, D., Yoon, J., Jurafsky, D. (2018). Automatic Detection of Incoherent Speech for Diagnosing Schizophrenia. Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic, 136-46. DOI: https://doi.org/10.18653/v1/W18-0615

Pogorilyy, S. D., Kramov, A. A. (2019). Coreference Resolution Method Using a Convolutional Neural Network. Proceedings of 2019 IEEE International Conference on Advanced Trends in Information Theory, 397-401. DOI: https://doi.org/10.1109/ATIT49449.2019.9030596

Voleti, R., Woolridge, S., Liss, J. M. et. al. (2019). Objective Assessment of Social Skills Using Automated Language Analysis for Identification of Schizophrenia and Bipolar Disorder. Proc. Interspeech 2019, 1433-7. DOI: https://doi.org/10.21437/Interspeech.2019-2960

Covington, M. A., McFall, J. D. (2010). Cutting the Gordian Knot: The Moving-Average Type—Token Ratio (MATTR). Journal of Quantitative Linguistics, 17 (2), 94-100. DOI: https://doi.org/10.1080/09296171003643098

Honore, A. (1979). Some Simple Measures of Richness of Vocabulary. Association for Literary and Linguistic Computing Bulletin, № 7 (2), 172-7.

Bucks, R. S. (2000). Analysis of spontaneous, conversational speech in dementia of Alzheimer type: Evaluation of an objective technique for analysing lexical performance. Aphasiology, 14 (1), 71-91. DOI: https://doi.org/10.1080/026870300401603

Johansson, V. (2018). Lexical Diversity and Lexical Density in Speech and Writing: A Developmental Perspective. Working Papers in Linguistics, 53, 61-79.

Just, S., Haegert, E., Koranova, N. (2019). Coherence models in schizophrenia. Proceedings of the Sixth Workshop on Computational Linguistics and Clinical Psychology, 126-36. DOI: https://doi.org/10.18653/v1/W19-3015

Panicheva, P., Litvinova, T. (2019). Semantic Coherence in Schizophrenia in Russian Written Texts. 25th Conference of Open Innovations Association (FRUCT), 241-9. DOI: https://doi.org/10.23919/FRUCT48121.2019.8981535

Kramov, A. (2020). Evaluating text coherence based on the graph of the consistency of phrases to identify symptoms of schizophrenia. Data Recording, Storage & Processing, 22 (1).

Andreasen, N. C. (1986). Scale for the assessment of thought, language, and communication (TLC). Schizophrenia bulletin, 12 (3), 473-82. DOI: https://doi.org/10.1093/schbul/12.3.473

Seeman, M. V., Cole, H. J. (1977). The effect of increasing personal contact in schizophrenia. Comprehensive psychiatry, 18 (3), 283-93. DOI: https://doi.org/10.1016/0010-440X(77)90024-4

English Speeches with English Subtitles — English Speeches. URL: https://www.englishspeecheschannel. com/english-speeches.