Automatizált hangelemzés és depresszió: Szisztematikus umbrella review = Automated audio analysis and depression: A systematic umbrella review

Hajduska-Dér, Bálint and Simon, Lajos and Réthelyi, János and Vass, Edit (2025) Automatizált hangelemzés és depresszió: Szisztematikus umbrella review = Automated audio analysis and depression: A systematic umbrella review. IDEGGYOGYASZATI SZEMLE / CLINICAL NEUROSCIENCE, 78 (3-4). pp. 87-99. ISSN 0019-1442

Text automatizalt-hangelemzes-es-depresszio-szisztematikus-umbrella-review.pdf - Published Version Restricted to Repository staff only until 30 March 2026. Download (440kB) | Request a copy

Abstract

Bevezetés – A depresszió korai és pontosdiagnózisa elengedhetetlen a megfelelőkezelés mielőbbi megkezdéséhez, azonbana hagyományos diagnosztikai módszerekhasználata gyakran szubjektív, ember- ésidőigényes. Az automatizált hangelemzésígéretes megoldást kínálhat e kihívásokleküzdésére, lehetővé téve a hangalapú biometrikus jellemzők objektív mérését. A jelentanulmány célja a gépi tanulással támogatotthangelemzési módszerek kutatási gyakorlatának és eredményeinek áttekintése, a következetlenségek feltárása, valamint a jövőbelikutatások számára konstruktív javaslatokmegfogalmazása.Módszerek – A jelen közlemény egy úgynevezett umbrella review eredményeit ismerteti, ami már publikált szisztematikus irodalmiáttekintések és metaanalízisek eredményeitintegrálja. A közlemények azonosításához aPubMed, Scopus és ProQuest adatbázisokat használtuk, követve a PRISMA irányelveit. A keresési intervallum az elmúlt 5 évreterjedt ki. A keresés előre meghatározottkeresőkulcs és szelekciós kritériumok segítségével történt, független áttekintők alkalmazásával. A részletes elemzést megelőzően aközlemények módszertani megfelelőségét azAMSTAR2 értékelőrendszerrel vizsgáltuk.Eredmények – A szisztematikus irodalomkutatás során összesen 162 egyedi rekordotazonosítottunk. A bevonási és kizárási kritériumok alapján végül hat közlemény részleteselemzésére került sor. Az eredmények rámutatnak az eddig fejlesztett modellek korlátozott alkalmazhatóságának háttértényezőire,valamint hangsúlyozzák azon akusztikai jellegzetességek fontosságát, amelyek a feltárt módszertani következetlenségek ellenére adepresszió biomarkereként azonosíthatók.A jelen áttekintés alátámasztja a gépi tanulásés a hangelemzés jelentőségét a depres -szió diagnosztikájának fejlesztésében. Ahhozazonban, hogy a kutatási eredményeket agyakorlatba át tudjuk ültetni, standardizáltmódszerek alkalmazásán túl többek közöttkülönböző összetételű tesztcsoportokontörténő validálás szükséges.Következtetés – A gépi tanulás alkalmazásaa depresszió detektálásában számos előnytígér, ilyen az objektív diagnosztika vagy akorai felismerés. Ez a technológia hosszútávon költséghatékony megoldást kínálhat,miközben nagyobb hozzáférhetőséget biztosít a mentális egészségügyi szolgáltatásokhoz. Mindazonáltal, a terület még fejlődőbenvan, és további kutatásokra van szükség amódszerek megbízhatóságának növeléseérdekében. | Background and purpose – The early and accurate diagnosis of depression is essential for the timely initiation of appropriate treatment. However, the use of traditional diagnostic methods is often subjective, labour-intensive, and time-consuming. Automated voice analysis offers promising solution to overcome these challenges by enabling the objective measurement of voice-based biometric features. The aim of this study is to review the research practice and findings of voice analysis methods supported by machine learning, to uncover inconsistencies, and to formulate constructive suggestions for future research. Methods – This paper presents the results of a so-called umbrella review, which integrates the findings of already published systematic literature reviews and meta-analyses. For the identification of publications, we used the PubMed, Scopus, and ProQuest databases, following the PRISMA guidelines. The search interval covered the last 5 years. The search was conducted using predefined search terms and selection criteria, with the involvement of independent reviewers. Prior to detailed analysis, the methodological quality of the publications was assessed using the AMSTAR2 evaluation system. Results – Through the systematic literature search, we identified a total of 162 unique records. Based on the inclusion and exclusion criteria, 6 publications were selected for detailed analysis. The results highlight the background factors limiting the applicability of the developed models and also emphasize the importance of acoustic characteristics that can be identified as biomarkers of depression despite methodological inconsistencies. This review supports the importance of machine learning and voice analysis in advancing the diagnostics of depression. However, to translate research outcomes into practice, beyond the application of standardized methods, validation across diverse test groups is necessary, among other things. Conclusion – The application of machine learning in depression detection promises numerous advantages, such as objective diagnosis or early detection. This technology could offer cost-effective solution in the long run while providing greater access to mental health services. Nevertheless, the field is still evolving, and further research is needed to enhance the reliability of these methods.

Actions (login required)

Edit Item