Speech-based Depression Estimation

Πυλαρινού, Άρτεμις; Pylarinou, Artemis

dc.contributor.author	Πυλαρινού, Άρτεμις	el
dc.contributor.author	Pylarinou, Artemis	en
dc.date.accessioned	2026-03-06T05:58:12Z
dc.date.available	2026-03-06T05:58:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63847
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.31542
dc.rights	Default License
dc.subject	Κατάθλιψη	el
dc.subject	Ανάλυση Κειμένου	el
dc.subject	Ανάλυση Ομιλίας	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Αυτόματη Εκτίμηση Κατάθλιψης	el
dc.subject	Depression	en
dc.subject	Speech Analysis	en
dc.subject	Text Analysis	en
dc.subject	Machine Learning	en
dc.subject	Automatic Depression Estimation	en
dc.title	Speech-based Depression Estimation	en
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-03
heal.abstract	This thesis focuses on using machine learning to develop objective methods for estimating depression, thus addressing the limitations in current diagnostic practices. The research introduces a novel pipeline for extracting audio features and text embeddings from the DAIC-WOZ dataset. Specifically the PyAudioAnalysis library was utilized for audio feature extraction and GloVe embeddings for text features. A role-based extraction method was implemented to independently process features for the participant and the interviewer, providing insights into the significance of each role in depression estimation and the influence of interaction dynamics on predictive accuracy. In this study machine learning techniques are applied such as Support Vector Machines (SVM) and XGBoost models, to improve depression detection. The primary goal is to identify the most effective combination of features and algorithms that can enhance the accuracy and reliability of depression prediction models. Key findings indicate that text-based features, particularly GloVe embeddings, outperform traditional audio features, achieving an AUC score of 0.74 for text-based models compared to 0.66 for audio-based models. The study also explores balancing techniques, noting that while SMOTE improved model performance, the choice of features remains critical.	en
heal.abstract	Η παρούσα διπλωματική εστιάζει στη χρήση της μηχανικής μάθησης για την ανάπτυξη αντικειμενικών μεθόδων εκτίμησης της κατάθλιψης, αντιμετωπίζοντας τους περιορισμούς στις τρέχουσες διαγνωστικές πρακτικές. Η έρευνα εισάγει μια καινοτόμο διαδικασία για την εξαγωγή χαρακτηριστικών ήχου και embeddings κειμένου από το σύνολο δε- δομένων DAIC-WOZ. Συγκεκριμένα, η βιβλιοθήκη PyAudioAnalysis χρησιμοποιήθηκε για την εξαγωγή χαρακτηριστικών ήχου και τα GloVe embeddings για τα χαρακτηριστικά κειμένου. Παράλληλα εφαρμόστηκε μια μέθοδος εξαγωγής βάσει ρόλων, με σκοπό την ανεξάρτητη επεξεργασία των χαρακτηριστικών του συμμετέχοντα και του συνεντευκτή, ώστε να αναδειχθεί η σημασία κάθε ρόλου στην εκτίμηση της κατάθλιψης και η επίδραση της δυναμικής της αλληλεπίδρασης στην ακρίβεια της πρόβλεψης. Σε αυτή τη μελέτη εφαρμόζονται τεχνικές μηχανικής μάθησης όπως τα Support Vector Machines (SVM) και τα μοντέλα XGBoost. Ο πρωταρχικός στόχος είναι η αναγνώριση του πιο αποτελεσ- ματικού συνδυασμού χαρακτηριστικών και αλγορίθμων που μπορούν να ενισχύσουν την ακρίβεια και την αξιοπιστία των μοντέλων πρόβλεψης της κατάθλιψης. Τα βασικά ευ- ρήματα δείχνουν ότι τα χαρακτηριστικά βασισμένα στο κείμενο, ιδιαίτερα τα embeddings GloVe, υπερέχουν των παραδοσιακών χαρακτηριστικών ήχου, επιτυγχάνοντας βαθμολογία AUC 0.74 για τα μοντέλα βασισμένα στο κείμενο έναντι 0.66 για τα μοντέλα βασισμένα στον ήχο. Η μελέτη διερευνά επίσης τεχνικές εξισορρόπησης, επισημαίνοντας ότι ενώ η μέθοδος SMOTE βελτίωσε την απόδοση των μοντέλων, η επιλογή των χαρακτηριστικών παραμένει κρίσιμη	el
heal.advisorName	Στάμου, Γεώργιος
heal.advisorName	Γιαννακόπουλος, Θεόδωρος
heal.committeeMemberName	Στάμου, Γεώργιος
heal.committeeMemberName	Βουλόδημος, Αθανάσιος
heal.committeeMemberName	Σταφυλοπάτης, Α.-Γ.
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	107
heal.fullTextAvailability	false