Détection de la depression utilisant e-risk dataset

Abstract

La santé mentale est considérée comme l’un des fléaux les plus importants dans le monde d’aujourd’hui. Par conséquent, notre travail vise à utiliser le potentiel des plateformes de médias sociaux pour résoudre l’un des plus grands problèmes de santé mentale, soit l’identification de la dépression. Nous proposons un nouveau modèle d’apprentissage profond que nous formons sur un ensemble de données destinées à la dépression afin de détecter une telle maladie mentale à partir d’un tweet individuel. Nos principales contributions à ce travail se trouvent dans les points suivants : Nous avons formé notre propre mot intégration à l’aide d’un ensemble de données destinées à la dépression. Ensuite Nous avons utilisé un modèle qui s’adapte à n’importe quel type de données concernant les maladies mentaux, ce modèle fonctionne avec plusieurs méthodes d’apprentissage profond les réseaux de neurone convultif (CNN), La méthode LSTM, BiLStM et Naive Bayes. Afin d’améliorer le processus d’extraction des caractéristiques et d’améliorer les performances du modèle. Nous avons analysé à travers différentes expériences la performance des quatre modèles d’apprentissage profond afin de fournir plus de perspectives et d’idées pour les recherches sur la dépression. Notre modèle a atteint une précision de 95 %, surpassant tous les modèles statistiques ou d’apprentissage approfondi que l’on trouve actuellement dans la littérature. Mots clés : Analyse des sentiments, Apprentissage profond (deep learning), Santé mentale, Classification des textes.