20.500.12556/DKUM-95573 Automated speech analysis in depressive disorder: enhancing diagnosis and monitoring magistrsko delo Avtomatizirana analiza govora pri depresivnih motnjah: izboljšanje diagnoze in nadzora This paper investigates the automatic recognition of depression by integrating acoustic, linguistic and emotional features extracted from clinical interviews in the DAIC-WOZ dataset. A total of six classical machine learning classifiers such as Decision Tree, Random Forest, SVM, Gradient Boosting, AdaBoost and XGBoost were systematically evaluated under different class balancing methods (such as SMOTE, SMOTETomek and Random Undersampling) and feature selection strategies. The best model, a decision tree classifier with SMOTE-based balancing and a feature selection technique, achieved a weighted F1 score and accuracy of 0.78 with only eight selected features. These features included all three modalities, demonstrating the added benefit of a multimodal approach. The results suggest that even relatively simple models, when supported by careful preprocessing and dimensionality reduction, can provide accurate and interpretable predictions. This work emphasizes the importance of feature engineering and balancing techniques in clinical machine learning tasks and lays the foundation for future research on scalable and explainable depression detection systems. To delo preučuje avtomatsko prepoznavanje depresije z integracijo akustičnih, jezikovnih in čustvenih značilnosti, pridobljenih iz kliničnih intervjujev v podatkovni zbirki DAIC-WOZ. Skupno šest klasičnih klasifikatorjev strojnega učenja, kot so Decision Tree, Random Forest, SVM, Gradient Boosting, AdaBoost in XGBoost, je bilo sistematično ocenjenih v okviru različnih metod uravnoteženja razredov (kot so SMOTE, SMOTETomek in Random Undersampling) in strategij izbire značilnosti. Najboljši model, klasifikator odločevalnega drevesa z uravnoteženjem na podlagi SMOTE in tehniko izbire značilnosti, je dosegel tehtano oceno F1 in natančnost 0,78 z le osmimi izbranimi značilnostmi. Te značilnosti so vključevale vse tri modalnosti, kar dokazuje dodatno korist multimodalnega pristopa. Rezultati kažejo, da lahko tudi relativno preprosti modeli, če jih podpirata skrbna predobdelava in zmanjšanje dimenzionalnosti, zagotovijo natančne in razložljive napovedi. To delo poudarja pomen inženiringa značilnosti in tehnik uravnoteženja v kliničnih opravilih strojnega učenja ter postavlja temelje za prihodnje raziskave o merljivih in razložljivih sistemih za odkrivanje depresije. Depression Classification Machine Learning Data Balancing Feature Selection depresija klasifikacija strojno učenje uravnoteženje podatkov izbira značilnosti true true false [A. Neuberg] Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-09-26 14:44:10 2025-11-03 10:14:21 2025-12-19 03:18:04 0000-00-00 00:00:00 2025 0 Maribor 0 Maribor 1 spletni vir (1 datoteka PDF (XII, 94 str.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 621.38(043.2) 262077187 MAG_Neuberg_Aljaz_2025.pdf MAG_Neuberg_Aljaz_2025.pdf 1 450884C181B0129FB55A3E79305EEB6E 46ae4adae9fc94fd7b31bfc601e6f8980b7ca44159833e19b73014ce54573d9b 350dc0b7-9ad8-11f0-9a69-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=199278 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0