Um Modelo Eficiente de Aprendizado Profundo Usando Otimizador Harris-Hawk para Prognosticação de Transtornos Mentais

Os transtornos mentais são principalmente desordens impulsionadas pelo estilo de vida, que geralmente não são identificáveis por observações clínicas ou diretas, mas atuam como um assassino silencioso para os indivíduos afetados. Usando aprendizado de máquina (ML), a previsão de doenças mentais tem atraído considerável interesse na comunidade de informática médica, especialmente quando os indicadores clínicos não estão presentes. No entanto, a maioria dos estudos agora se concentra nos métodos usuais de aprendizado de máquina utilizados para prever transtornos mentais com poucos dados de saúde organizados, o que pode dar sinais errôneos. Para superar as desvantagens dos modelos de previsão tradicionais de ML, este trabalho apresenta um modelo de previsão treinado por Aprendizado Profundo (DL) para extração automatizada de características, a fim de prever realisticamente transtornos mentais a partir das postagens textuais online de indivíduos que indicam conteúdos suicidas e depressivos. O modelo proposto abrange três fases chamadas de pré-processamento, extração de características e fase de previsão ótima. O modelo desenvolvido utiliza um novo modelo de Auto-Encoder Esparso baseado em Bi-LSTM Ótimo (SAE-O-Bi-LSTM), que integra Bi-LSTM e Otimizador Harris-Hawk Adaptativo (AHHO) para extrair as características mais relevantes que indicam doenças mentais a partir do conteúdo textual no conjunto de dados. O conjunto de dados utilizado para treinamento consiste em 232074 postagens únicas das subreddits "SuicideWatch" e "Depression" da plataforma Reddit durante dezembro de 2009 até janeiro de 2021, baixadas do Kaggle. Uma análise comparativa aprofundada dos resultados dos testes é conduzida usando precisão, precisões, F1 score, especificidade, Recall e curva ROC. Os resultados mostram uma melhoria considerável para nossa abordagem desenvolvida com uma precisão de 98,8% e precisão de 98,7%, respectivamente, o que apoia a eficácia do nosso modelo proposto.