Масштабируемый мониторинг депрессии по речи со смартфона с использованием мультимодального бенчмарка и тематического анализа

Прислушиваясь к настроению в повседневной жизни

Депрессия часто колеблется из недели в неделю, а визиты в клинику и опросники фиксируют лишь короткие снимки состояния. В этом исследовании изучают, может ли то, как люди говорят в свои смартфоны дома, дать более непрерывное окно в то, насколько они подавлены. Преобразуя короткие еженедельные голосовые сообщения в закономерности, которые может читать компьютер, исследователи ставят вопрос: может ли обычная речь стать практическим ранним сигналом изменений настроения?

Преобразование еженедельных контрольных записей в данные

В долгосрочном проекте 284 взрослых в Германии — с историей большого депрессивного расстройства и без таковой — использовали приложение и раз в неделю отвечали на один и тот же устный вопрос: «Как вы себя чувствовали на прошлой неделе?» В течение нескольких лет они записали 3 151 короткий голосовой дневник, каждый из которых был связан с оценкой депрессии по известному опроснику Бека (BDI), 21-пунктовой шкале самооценки. Команда прогнала эти аудиозаписи через надежную систему распознавания речи, работавшую локально на телефоне или на близлежащих компьютерах, преобразовав устную немецкую речь в текст с сохранением естественных пауз, слов-заполнителей и мелких грамматических деталей. Как из звука, так и из слов они извлекли множество разнообразных признаков, включая временные меры, вручную составленные акустические сводки, современные аудио-встраивания и плотные текстовые встраивания, полученные с помощью больших языковых моделей.

Поиск наиболее показательного сигнала

Чтобы выяснить, какие аспекты речи лучше всего отражают самочувствие людей, исследователи сравнили эти типы признаков в единой статистической схеме. Они обучили регрессии на основе опорных векторов (support-vector regression), чтобы предсказывать BDI каждого человека по отдельному дневнику, аккуратно разделяя данные так, чтобы дневники одного человека никогда не появлялись одновременно в обучающей и тестовой выборках. Все модели превзошли фиктивный базовый уровень, но выделился один сигнал: встраивания предложений из больших языковых моделей, которые сжимают смысл и структуру всего дневника в один вектор. Модель на основе встраивания Qwen3-8B предсказывала BDI с средней ошибкой примерно 4,6 пункта по шкале 0–63, объясняя примерно треть различий в оценках между дневниками. Комбинация двух текстовых встраиваний немного улучшала точность, в то время как добавление только аудиоинформации или простых акустических маркеров мало добавляло сверх того, что уже содержалось в словах.

Заглядывая внутрь «черного ящика»

Создание доверия к таким инструментам требует не только точности. Поэтому команда изучила, как и почему их модели работают. Сначала они повторили анализ только в группе с диагнозом большого депрессивного расстройства, показав, что текстовые встраивания по‑прежнему улавливают значимые различия в тяжести симптомов даже среди пациентов, а не только отделяют их от здоровых добровольцев. Затем они намеренно перемешали транскрипты перед встраиванием — меняя порядок слов, удаляя мелкие грамматические окончания или маскируя большинство слов — чтобы увидеть, как меняется производительность. Прогнозы ухудшались сильнее всего, когда удалялось топическое содержание, но также снижались при нарушении синтаксиса и служебных слов. Эта картина указывает на то, что модели опираются на несколько уровней языка — от того, о чем люди говорят, до того, как они это формулируют, — а не только на простые ключевые слова темы.

Выявление общих тем в том, как люди говорят

Чтобы добавить человекочитаемый слой к своей системе, исследователи применили современный метод тематического моделирования BERTopic к лучшим текстовым встраиваниям. Этот неконтролируемый подход сгруппировал дневники в шесть широких тем, таких как общие еженедельные обновления, переживания и забота, физическая реабилитация и активность, а также контекст преподавания или работы. При сравнении этих тем с оценками BDI проявилась четкая закономерность. Дневники, доминирующие темы которых — переживания и забота (размышления о чувствах, проблемы со сном, решения о лечении и усилия по преодолению), — как правило, совпадали с более высокими показателями депрессии. Напротив, дневники, сосредоточенные на физической активности, реабилитационных упражнениях или рутинной преподавательской работе, были связаны с более низкими оценками. Корреляции между темами и отдельными пунктами BDI, такими как потеря интереса или усталость, были скромными, но направленными в клинически осмысленных направлениях, что поддерживает идею о том, что эти темы отражают реальные аспекты настроения и функционирования.

Что это может означать для повседневной помощи

Исследование показывает, что современные представления языка для коротких еженедельных голосовых дневников могут с разумной точностью оценивать тяжесть депрессии, обычно оставаясь в пределах примерно одного симптомного диапазона по шкале BDI. Вместо того чтобы быть автономным диагностическим инструментом, такая система могла бы помогать отслеживать тенденции со временем — выделяя случаи, когда у кого‑то настроение, похоже, ухудшается на значимую величину, и побуждая к более внимательному наблюдению со стороны клиницистов или самого пациента. Хотя перед внедрением еще стоят важные задачи, включая защиту конфиденциальности, адаптацию к другим языкам и культурам и лучшее отслеживание изменений внутри одного человека, это указывает на будущее, в котором простая устная проверка на смартфоне могла бы тихо помогать отслеживать психическое здоровье между визитами.

Цитирование: Emden, D., Richter, M., Chevance, A. et al. Scalable depression monitoring with smartphone speech using a multimodal benchmark and topic analysis. npj Digit. Med. 9, 230 (2026). https://doi.org/10.1038/s41746-026-02486-9

Ключевые слова: мониторинг депрессии, речь со смартфона, цифровое фенотипирование, встраивания языка, приложения для психического здоровья