Uma 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 detectar depressão a partir de sinais de voz, com o objetivo de fornecer uma metodologia robusta para avaliar essas abordagens. Foi utilizado o conjunto de dados AVEC2017, considerando apenas os dados do sinal de voz dos pacientes. Os modelos utilizados foram Decision Tree (DT), Support Vector Machine (SVM) e Gaussian Naive Bayes (GNB). Além disso, foi realizado um estudo variando os atributos extraídas (nomeadamente Insterspeech 2009, IS09, e Interspeech 2010, IS10), o método de seleção de características (ANOVA e mRMR) e o número de características selecionadas (50, 100, 150 e todas as características). Os melhores resultados foram obtidos com o SVM, alcançando uma acurácia de 64,98% e um F1-Score de 0,4083 utilizando ANOVA50 + IS10.