환자의 음성을 이용한 설명 가능한 우울장애 탐지 모델 개발

다국어 초록 (Multilingual Abstract)

The timing of intervention is very important in the treatment prognosis of depression disorders. If it is delayed, symptoms can worsen or lead to secondary diseases. Therefore, early diagnosis of depression is very important. Since patients may find it difficult to visit a psychiatrist, many studies on developing deep learning and machine learning models that can easily detect depression disorders have been preceded under the name of Automatic Depression Detection(ADD). However, such studies still have limitations in that they use professional data that is difficult to obtain, such as blood test results and electroencephalogram.
Accordingly, number of studies have also been conducted to develop ADD models using data more readily available in everyday life, such as voice and video. However, in order for users to trust the results of the model, it needs to provide a reason for judgment. In this work, we developed an explainable deep learning model that can detect depression disorders using patient's voice data.
In this work, we used LSTM and Self-Attention Mechanism to develop explainable ADD models. The model is of academic significance in that it can easily visualize the reason of detection using speech data. Experimental results for evaluating the performance of the model are presented later in the paper.

국문 초록 (Abstract)

우울장애의 치료 예후에는 개입 시점이 매우 중요하며, 개입 시점이 늦어지면 2차 질병으로 이어질 수 있다. 따라서 우울장애에 대한 조기 진단은 매우 중요하다. 그러나 우울장애를 가지고 있는 환자들은 정신의학 전문가에게 방문하기 어려울 수 있으므로, 자동 우울 탐지(Automatic Depression Detection)이라는 이름으로 손쉽게 우울장애를 진단할 수 있는 딥러닝 및 머신러닝 모델을 만드는 연구가 다수 선행되어 왔다. 그러나 이러한 연구는 여전히 피검사 결과 및 뇌전도 신호 등 우울장애 환자 개인이 얻기 힘든 전문적 데이터를 이용한다는 점에서 한계점이 존재한다.
이러한 한계점을 보완하기 위하여 음성 및 영상 등 일상 생활에서 보다 손쉽게 구할 수 있는 데이터를 이용하여 우울장애를 진단하는 모델을 개발하는 연구 또한 다수 진행되었다. 그러나 사용자가 모델의 탐지 결과를 신뢰하기 위해서는 모델의 판단 근거를 제시할 필요성이 존재하는데, 이를 고려한 연구는 부재하였다. 따라서 본 연구에서는 환자의 음성 데이터를 이용하여 우울장애를 탐지할 수 있는 설명 가능한 딥러닝 모델을 개발하고자 하였다.
본 연구에서는 LSTM과 Self-Attention mechanism을 활용하여 설명 가능한 우울장애 탐지 모델을 개발하였다. 개발된 모델은 음성 데이터를 이용하여 판단 근거를 손쉽게 시각화할 수 있다는 점에서 학술적 의의를 가진다. 모델의 성능을 평가하기 위한 실험 결과를 논문의 후반부에 제시하였다.