Análise comparativa de métodos de classificação, seleção e extração de atributos para a detecção de depressão através de sinais de voz
Este trabalho apresenta uma análise comparativa do desempenho de diferentes modelos clássicos de aprendizado de máquina para detecção de depressão a partir de sinais de voz, visando fornecer uma metodologia robusta para avaliação dessas abordagens. Foi utilizado o conjunto de dados DAIC-WOZ, considerando apenas os dados do sinal de voz dos pacientes. Os modelos utilizados foram Decision Tree (DT), Support Vector Machine (SVM), Gaussian Naive Bayes (GNB), e Multi Layer Perceptron (MLP). Além disso, foi realizado um estudo variando os atributos extraídos (Insterspeech 2009 (IS09), Interspeech 2010 (IS10) e AVEC13), o método de seleção de atributos (ANOVA, PCA e mRMR) e o número de atributos selecionados (50, 100, 150 e sem seleção). Os melhores resultados foram obtidos com DT, PCA100, AVEC13, atingindo acurácia de 50,82% (± 0,06) e F1-Score de 0,51 (± 0,10).