Domain Adversarial Training for Mitigating Gender Bias in Speech-based Mental Health Detection

📄 arXiv: 2505.03359v1 📥 PDF

作者: June-Woo Kim, Haram Yoon, Wonkyo Oh, Dawoon Jung, Sung-Hoon Yoon, Dae-Jin Kim, Dong-Ho Lee, Sang-Yeol Lee, Chan-Mo Yang

分类: cs.AI

发布日期: 2025-05-06

备注: Accepted to EMBC 2025

💡 一句话要点

提出领域对抗训练以缓解语音心理健康检测中的性别偏见

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 性别偏见 心理健康检测 领域对抗训练 语音识别 机器学习 深度学习 数据集 模型优化

📋 核心要点

  1. 现有的语音基础模型在心理健康检测中存在性别偏见，导致预测结果不公平且不准确。
  2. 本研究提出领域对抗训练方法，将不同性别视为独立领域，整合进预训练的语音模型中，以缓解性别偏见。
  3. 实验结果表明，该方法在E-DAIC数据集上显著提升了检测性能，F1-score提高了最多13.29个百分点。

📝 摘要（中文）

基于语音的人工智能模型正在成为检测抑郁症和创伤后应激障碍（PTSD）的强大工具，提供了一种非侵入性且成本效益高的心理健康评估方式。然而，这些模型常常面临性别偏见问题，导致不公平和不准确的预测。本研究通过引入领域对抗训练方法，明确考虑语音抑郁症和PTSD检测中的性别差异，解决了这一问题。具体而言，我们将不同性别视为独立领域，并将此信息整合到预训练的语音基础模型中。我们在E-DAIC数据集上验证了其有效性，实验结果显示，该方法显著提高了检测性能，F1-score相比基线提高了最多13.29个百分点，强调了在AI驱动的心理健康评估中解决人口统计差异的重要性。

🔬 方法详解

问题定义：本研究旨在解决基于语音的心理健康检测中存在的性别偏见问题。现有方法在处理不同性别的语音数据时，未能有效区分性别差异，导致预测结果的不准确和不公平。

核心思路：论文提出的领域对抗训练方法，通过将不同性别视为独立领域，利用这一信息来优化模型的学习过程，从而提高对不同性别的适应性和准确性。

技术框架：整体架构包括预训练的语音基础模型和领域对抗训练模块。首先，模型在大规模语音数据上进行预训练，然后通过领域对抗训练来调整模型，使其能够更好地处理性别差异。

关键创新：最重要的技术创新在于将性别作为独立的领域进行处理，这一方法与传统的单一模型训练方法本质上不同，能够有效减轻性别偏见。

关键设计：在模型训练中，采用了特定的损失函数来平衡性别特征的学习，同时调整了网络结构以增强模型对性别差异的敏感性。

📊 实验亮点

实验结果显示，采用领域对抗训练方法后，模型在E-DAIC数据集上的F1-score提升了最多13.29个百分点，相较于基线模型表现出显著的性能改进，验证了该方法的有效性。

🎯 应用场景

该研究的潜在应用领域包括心理健康评估、医疗诊断和人机交互等。通过减少性别偏见，能够提高心理健康检测的公平性和准确性，进而为临床实践提供更可靠的支持，具有重要的社会价值和实际意义。

📄 摘要（原文）

Speech-based AI models are emerging as powerful tools for detecting depression and the presence of Post-traumatic stress disorder (PTSD), offering a non-invasive and cost-effective way to assess mental health. However, these models often struggle with gender bias, which can lead to unfair and inaccurate predictions. In this study, our study addresses this issue by introducing a domain adversarial training approach that explicitly considers gender differences in speech-based depression and PTSD detection. Specifically, we treat different genders as distinct domains and integrate this information into a pretrained speech foundation model. We then validate its effectiveness on the E-DAIC dataset to assess its impact on performance. Experimental results show that our method notably improves detection performance, increasing the F1-score by up to 13.29 percentage points compared to the baseline. This highlights the importance of addressing demographic disparities in AI-driven mental health assessment.