An Integrative Assistive Tool for Depression Severity Estimation: Cross-Cultural Robustness of Facial Dynamics in Diverse Clinical Interviews

कल्पना कीजिए कि आप केवल किसी को देखते हुए यह समझने की कोशिश कर रहे हैं कि वे कैसा महसूस कर रहे हैं। आपको उनकी आवाज़ सुनने या उनकी डायरी पढ़ने की ज़रूरत नहीं है; कभी-कभी, जिस तरह से कोई व्यक्ति हिलता-डुलता है, पलकें झपकाता है, या अपने भाव बदलता है, वह एक शक्तिशाली कहानी बताता है। यह व्यवहार विज्ञान (behavioral science) और आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया है जो एक साथ मिलकर काम कर रही है। वैज्ञानिक लंबे समय से जानते हैं कि जब लोग उदास महसूस करते हैं, तो उनके शरीर में सूक्ष्म बदलाव आते हैं: वे धीरे चल सकते हैं, कम मुस्कुरा सकते हैं, या उनकी आँखों में एक "भारीपन" दिख सकता है। बड़ी चुनौती इन छोटे, क्षणिक संकेतों को स्वचालित रूप से पहचानने का तरीका खोजने की थी, विशेष रूप से तब जब हम ऑडियो (जो शोर भरा हो सकता है) या टेक्स्ट (जो निजी हो सकता है) पर भरोसा नहीं कर सकते। यह शोध पत्र इस पहेली के एक विशिष्ट कोने में गहराई से उतरता है: क्या एक कंप्यूटर केवल वीडियो में किसी के चेहरे को देखकर यह अनुमान लगा सकता है कि किसी का अवसाद (डिप्रेशन) कितना गंभीर है, बिना एक भी शब्द सुने?

इस अध्ययन के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व शू लियू और लैन ली ने किया, MMANet (जिसका अर्थ है माइक्रो-मैक्रो टेम्पोरल अलाइनमेंट नेटवर्क) नामक एक स्मार्ट वीडियो टूल बनाया। डिप्रेशन को एक एकल, स्थिर मूड के रूप में नहीं, बल्कि एक ऐसी फिल्म के रूप में सोचें जिसमें एक साथ दो अलग-अलग प्रकार के दृश्य चल रहे हों। यहाँ "माइक्रो" (सूक्ष्म) दृश्य हैं: बहुत छोटे, पलक झपकते ही होने वाले क्षण जैसे कि अचानक भौहें सिकोड़ना, अचानक पलक झपकाना, या दुख का एक क्षणिक अहसास जो केवल एक सेकंड के कुछ हिस्से तक रहता है। फिर "मैक्रो" (विस्तृत) दृश्य हैं: लंबे, धीमे पैटर्न, जैसे कि किसी व्यक्ति का लंबे समय तक झुके हुए बैठना, बहुत धीरे-धीरे हिलना-डुलना, या मिनटों तक सामान्यतः सपाट भाव रखना।

पिछले टूल्स अक्सर पूरी फिल्म को एक साथ देखने की कोशिश करते थे, जिससे वे उन छोटे, महत्वपूर्ण क्षणों को धुंधला कर सकते थे, या वे केवल लंबे दृश्यों पर ध्यान केंद्रित करते थे और त्वरित भावनाओं को मिस कर देते थे। MMANet अलग है क्योंकि यह एक अत्यंत चौकस संपादक (editor) की तरह कार्य करता है। यह वीडियो को स्कैन करने और सबसे दिलचस्प हिस्सों को चुनने के लिए एक विशेष "डुअल-स्केल यूनिफाइड सेलेक्टर" का उपयोग करता है। यह त्वरित, तीखे क्षणों (माइक्रो) और लंबे, स्थिर विस्तारों (मैक्रो) को अलग-अलग पकड़ता है, और फिर एक पूरी कहानी बताने के लिए उन्हें एक साथ लाता है। यह सुनिश्चित करने के लिए कि ये दो अलग-अलग दृश्य एक-दूसरे के साथ सहमत हों, यह टूल "सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग" नामक तकनीक का उपयोग करता है, जो एक शिक्षक की तरह है जो यह जांचता है कि त्वरित क्षणों पर छात्र के नोट्स, लंबे क्षणों पर उनके नोट्स से मेल खाते हैं या नहीं, ताकि अंतिम चित्र सुसंगत बना रहे।

टीम ने तीन अलग-अलग संस्कृतियों के लोगों के तीन अलग-अलग समूहों पर इस टूल का परीक्षण किया: पश्चिम के दो समूह (DAIC-WOZ और E-DAIC डेटासेट का उपयोग करके) और चीन का एक समूह (CMDC डेटासेट का उपयोग करके)। वे देखना चाहते थे कि क्या यह टूल विभिन्न संस्कृतियों और भाषाओं में काम कर सकता है, जो केवल व्यक्ति के चेहरे के वीडियो पर निर्भर है। परिणाम काफी उत्साहजनक थे। पश्चिमी डेटासेट्स पर, टूल ने अवसाद की गंभीरता के स्कोर का औसत त्रुटि (जिसे मीन एब्सोल्यूट एरर या MAE कहा जाता है) क्रमशः 3.83 और 4.15 के साथ अनुमान लगाया। चीनी डेटासेट पर, यह और भी सटीक था, जिसका MAE 3.04 था। इसे समझने के लिए, यदि डिप्रेशन स्कोर 0 से 24 के बीच का एक नंबर है, तो 3.04 की त्रुटि का मतलब है कि टूल का अनुमान, मानव विशेषज्ञों द्वारा दिए गए वास्तविक स्कोर से औसतन केवल लगभग 3 अंक दूर था।

शोधकर्ताओं ने यह साबित करने के लिए भी प्रयोग किए कि उनके विशिष्ट डिज़ाइन विकल्प ही सफलता का कारण थे। उन्होंने पाया कि यदि वे अपने स्मार्ट "इम्पॉर्टेंस-अवेयर" सेलेक्टर के बजाय यादृच्छिक (random) वीडियो क्लिप या समान अंतराल वाले क्लिप चुनते, तो टूल का अनुमान लगाने का प्रदर्शन बहुत खराब हो जाता (एक डेटासेट पर त्रुटि बढ़कर 4.81 हो गई)। उन्होंने यह भी खोजा कि केवल तेज़ क्षणों को देखना या केवल धीमे क्षणों को देखना पर्याप्त नहीं था; टूल को सर्वोत्तम परिणाम देने के लिए दोनों के एक साथ काम करने की आवश्यकता थी। उदाहरण के लिए, चीनी डेटासेट पर, केवल एक प्रकार के समय का उपयोग करने से त्रुटि लगभग 4.4 थी, लेकिन दोनों को मिलाने से त्रुटि घटकर 3.04 रह गई।

हालाँकि, लेखक इसे कोई जादुई इलाज या डॉक्टरों के विकल्प के रूप में कहने में सावधान हैं। वे सुझाव देते हैं कि MMANet स्क्रीनिंग के लिए एक सहायक उपकरण के रूप में मददगार हो सकता है—जैसे कि एक पहला कदम यह तय करने के लिए कि किन लोगों को अधिक बारीकी से देखने की आवश्यकता है, विशेष रूप से उन जगहों पर जहाँ गोपनीयता एक चिंता का विषय है या जहाँ ऑडियो रिकॉर्डिंग संभव नहीं है। यह अध्ययन दिखाता है कि चेहरे की हरकतें अवसाद के बारे में बहुत उपयोगी जानकारी रखती हैं, लेकिन लेखक नोट करते हैं कि इसके व्यापक उपयोग से पहले वास्तविक क्लीनिकों में अधिक परीक्षण की आवश्यकता है। वे यह भी बताते हैं कि उनके द्वारा उपयोग किया गया चीनी डेटासेट अन्य की तुलना में छोटा था, इसलिए इन परिणामों की व्याख्या सावधानी के साथ की जानी चाहिए। अंततः, यह शोध पत्र सुझाव देता है कि AI को मानवीय अभिव्यक्ति के त्वरित फ्लैश और धीमी लय दोनों पर ध्यान देने के लिए प्रशिक्षित करके, हम मानसिक स्वास्थ्य को समझने के लिए बेहतर, गोपनीयता-अनुकूल उपकरण बना सकते हैं।