แบบจำลองการพยากรณ์ภาวะซึมเศร้าจากรูปภาพในเครือข่ายสังคมออนไลน์ ด้วยเทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
อัตราการป่วยด้วยโรคซึมเศร้าในประเทศไทยเพิ่มขึ้นอย่างต่อเนื่อง โดยส่วนใหญ่ไม่ได้รับการรักษา จึงแสดงออกทางสื่อสังคมออนไลน์ ดังนั้นการศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ภาวะซึมเศร้าจากรูปภาพในเครือข่ายสังคมออนไลน์ด้วยเทคนิคการเรียนรู้ของเครื่อง ซึ่งได้เก็บรวบรวมข้อมูลรูปภาพ และผลประเมินภาวะซึมเศร้า 9 คำถามจากผู้ใช้งานทวิตเตอร์ จำนวน 1,131 รูป แบ่งเป็น 4 กลุ่ม ได้แก่ รูปภาพของผู้ที่ไม่มีภาวะซึมเศร้า จำนวน 423 รูป รูปภาพของผู้ที่มีภาวะซึมเศร้าระดับน้อย จำนวน 525 รูป รูปภาพของผู้ที่มีภาวะซึมเศร้าระดับปานกลาง จำนวน 134 รูป และรูปภาพของผู้ที่มีภาวะซึมเศร้าระดับรุนแรง จำนวน 69 รูป โดยประยุกต์ใช้เครือข่ายประสาทเทียมแบบคอนโวลูชัน ผลการทดลองพบว่า แบบจำลองการพยากรณ์ภาวะซึมเศร้าจากรูปภาพในเครือข่ายสังคมออนไลน์ด้วยเทคนิคการเรียนรู้ของเครื่อง มีค่าความถูกต้อง อยู่ที่ร้อยละ 81.16 ค่าความแม่นยำ อยู่ที่ร้อยละ 81.88 ค่าความระลึก อยู่ที่ร้อยละ 80.81 และมีค่าประสิทธิภาพโดยรวม อยู่ที่ร้อยละ 81.02
Article Details
เอกสารอ้างอิง
World Health Organization, Depressive disorder (depression). Available Online at https://www.who. int/news-room/fact-sheets/detail/depression/, accessed on 18 January 2024.
Department of Mental Health, Thailand, Report on Suicide Rates (per 100,000 Population). Available Online at https://suicide.dmh.go.th/report/suicide/ stat_prov.asp, accessed on 5 December 2023.
K. Phanichsirim and B. Tuntasood. "Social media addiction and attention deficit and hyperactivity symptoms in high school students in Bangkok." Journal of the Psychiatric Association of Thailand, Vol. 61, No. 3, pp. 191, 2016.
P. Kumsawat. Super-resolution Image Reconstruction for CCTV System (Research Report). Nakhon Ratchasima: Suranaree University of Technology. 2019.
L. Alzubaidi, J. Zhang, A.J. Humaidi, A. Al-Dujaili, Y. Duan, O. Al-Shamma, J. Santamaría, M.A. Fadhel, M. Al-Amidie, and L. Farhan. "Review of deep learning: concepts, CNN architectures, challenges, applications, future directions." Journal of Big Data, Vol. 8, No. 53, pp. 1 - 74, 2021.
M. P. Miller and Y. Zhou. "A comparison of CNN models for small image datasets: LeNet-5, AlexNet, and beyond. I" n Proceedings of the International Conference on Machine Learning and Image Processing (ICMLIP), pp. 256 - 263, 2024.
S. Thipsrirach, S. Kunhareang, and S. Suwanlee. "The Use of Deep Learning Technique in the Classification of Pradu Hang Dam Thai Native Chicken Images." Rajabhat Agriculture Journal, Vol. 22, No. 1, pp. 50 - 59, 2023.
A. Singh, D. Dahiwade, and D. Mandem. "Prediction and Analysis of Multiple Diseases Using Machine Learning Techniques." International Journal of Advanced Research in Computer and Communication Engineering, Vol. 12, No. 4, pp. 640 - 641, 2023.
A.G. Reece and C.M. Danforth. "Instagram photos reveal predictive markers of depression." European Physical Journal Data Science, Vol. 6, No. 15, pp. 1 - 12, 2017.
H. Tufail, S.M. Cheema, M. Ali, I.M. Pires, and N. M. Garcia. "Depression Detection with Convolutional Neural Networks: A Step Towards Improved Mental Health Care." Procedia Computer Science, Vol. 224, pp. 544 - 549, 2023.
M. Aldarwish and H. Ahmad. "Predicting Depression Levels Using Social Media Posts." In IEEE 13th International Symposium on Autonomous Decentralized System (ISADS), Bangkok, Thailand, pp. 277 - 280, 2017.
M. Choudhury, S. Counts, and E. Horvitz. "Social media as a measurement tool of depression in populations." In Proceedings of the 5th Annual ACM Web Science Conference (WebSci '13), New York, USA: ACM, pp. 47 - 56, 2013.
P. Vateekul and T. Koomsubha. "A study of sentiment analysis using deep learning techniques on Thai Twitter data." In Proceeding of 2016 13th International Joint Conference on Computer Science and Software Engineering (JCSSE), pp. 1 - 6, 2016.
K. Kroenke, R.L. Spitzer, and J.B. Williams. "The PHQ-9: validity of a brief depression severity measure." Journal of General Internal Medicine, Vol. 16, No. 9, pp. 606 - 613, 2001.
K. La-orsirikul, P. Ratchaprapapornkul, and S. Kao-Iean. "Comparison of Efficiency for Imbalanced Data Classification via Simulation." Information Technology Journal, Vol. 20, No. 1, pp. 1 - 11, 2024.
S. Maxim, N. Ignatiev, and I. Smirnov. "Predicting Depression with Social Media Images." In Proceedings of the 9th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2020), pp. 235 - 240, 2020.
