Aplicativo móvil basado en Deep Learning para la valoración del riesgo de depresión

• Autor: Landeras Pinedo, Julians Jesus
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/161448
• Enlace del recurso: https://hdl.handle.net/20.500.12692/161448
• Nivel de acceso: acceso embargado
• Materia: Aprendizaje profundo; Depresión; Aplicación móvil; https://purl.org/pe-repo/ocde/ford#2.02.04

El proyecto "Aplicativo Móvil Basado en Deep Learning para la Valoración del Riesgo de Depresión" emplea redes neuronales convolucionales (CNN) para analizar grabaciones de voz y evaluar el riesgo de depresión. Los datos provienen del conjunto DAIC-WOZ, que incluye grabaciones de entrevistas clínicas. Se utilizaron técnicas avanzadas de preprocesamiento de datos como el filtrado de ruido y la normalización para mejorar la calidad de las características de audio. El modelo de CNN propuesto se entrenó en Google Colab con GPU y se evaluó mediante métricas de precisión, exactitud, sensibilidad y puntuación F1. Los resultados muestran una precisión del 66.67%, superando el promedio de estudios previos (64.48%). Sin embargo, la exactitud y la sensibilidad fueron menores en comparación con otros estudios, indicando dificultades para identificar correctamente los casos positivos de depresión. La puntuación F1 también fue inferior, sugiriendo un equilibrio deficiente entre precisión y sensibilidad. En conclusión, aunque el modelo de CNN tiene potencial, se necesitan más datos de alta calidad y técnicas de preprocesamiento avanzadas para mejorar su rendimiento. Se recomienda el uso de arquitecturas híbridas y la colaboración con instituciones médicas para recopilar más datos.