Our Depression Screening system is a healthcare information & decision system that uses readily available low-cost technology to provide a fully automated, widely accessible, and confidential method of community-wide screening for depression, a common mental illness. The system employs machine reasoning to prioritize depression screening for segments of the Singaporean adult population most at-risk of experiencing depression by asking users to answer a series of question on their characteristic

基于文本的抑郁症分析 本文源代码 先决条件 所需的python包可以在requirements.txt找到。 torch==1.2.0 kaldi_io==0.9.1 bert_serving_server==1.9.6 pytorch_ignite==0.2.0 numpy==1.16.4 librosa==0.7.0 tabulate==0.8.3 mistletoe==0.7.2 scipy==1.3.0 tqdm==4.32.2 pandas==0.24.2 fire==0.1.3 imbalanced_learn==0.5.0 allennlp==0.8.5 gensim==3.8.0 ignite==1.1.0 imblearn==0.0 nltk==3.4.5 plotnine==0.6.0 scikit_learn==0.21.3 PyYAML==5.1.2 预训练模型

Depression-Detection-Twitter:使用python ml库构建的抑郁检测模块，可检测推文中的抑郁

心理健康和社交媒体一直是密切相关的研究领域。 在这项研究中，提出了一种新模型 AD 预测模型，用于实时推文中的焦虑抑郁预测。 这种混合性焦虑抑郁症主要与不稳定的思维过程、烦躁和失眠有关。 基于语言提示和用户发布模式，使用 5 元组向量定义特征集。

Depression_Dataset 从Kaggle.com探索抑郁数据集

该数据集涉及抑郁症的分析。该数据是对农村地区居民生活条件的研究。 b_depressed.csv

论文 根据文字识别抑郁 该项目的目的是创建一个工具，该工具可以使用他们产生的文本来帮助识别患有临床抑郁症的人。 已经观察到，在文字制作中存在某些特定于抑郁症患者的线索（） 动机 据称，自杀的人中约有50-70％患有临床抑郁症（ ）。 严重的抑郁症会影响成年人，青少年和儿童，并且经常得不到诊断和治疗。 由于社会上关于精神障碍的污名很多，因此人们通常很难向他们的朋友和家人承认他们可能会感到沮丧。 取而代之的是，许多人转向Internet，因为它同时提供匿名性和遭受类似问题的其他人的支持。 鉴于各自的原因，可以假设有大量可用数据可以进行分析并用于机器学习目的。 主意 这个想法是从专门针对抑郁症的各种论坛中收集数据，并训练一个神经网络，该网络将能够识别出受临床抑郁症影响的人们产生的文本。 数据 一些值得信赖的数据已经可用：来自英国抑郁症论坛的数据是由Pennebaker等人（2008年）收集的。

通过患者健康问卷9和自然语言处理对抑郁症进行分析