Red de Atención Profunda Basada en Conjuntos de Contraste Difuso para el Análisis Léxico y el Tratamiento de la Salud Mental

Los tratamientos psicológicos entregados por Internet (IDPT) consideran problemas mentales basados en la interacción en línea. Con el aumento de esta interacción debido a la pandemia de COVID-19, se han utilizado ampliamente más herramientas en línea para proporcionar servicios de salud mental basados en evidencia. Este aumento ayuda a cubrir a más población utilizando menos recursos para los tratamientos de salud mental. La adaptabilidad y personalización de la rutina de remedio pueden ayudar a resolver problemas de salud mental rápidamente. En esta investigación, proponemos un modelo basado en contrastes difusos que utiliza una red de atención para palabras con peso posicional y clasifica el texto autoría de pacientes mentales en síntomas distintos. Después de eso, el embedding entrenado se utiliza para etiquetar datos mentales. Luego, la red de atención expande sus léxicos para adaptarse al uso de técnicas de aprendizaje por transferencia. El modelo propuesto utiliza similitud y conjuntos de contraste para clasificar las palabras de atención ponderadas. El modelo difuso luego utiliza los conjuntos para clasificar los datos de salud mental en clases distintas. Nuestro método se compara con técnicas no de embedding y tradicionales para demostrar el modelo propuesto. A partir de los experimentos, el vector de características puede alcanzar una curva ROC alta de 0.82 con problemas asociados a nueve síntomas.