发挥混沌集成SOMRO的算法潜力，提升文本数据中抑郁症的检测能力：利用混合群体智能优化机器学习

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Unleashing Algorithmic Potential of Chaos-Integrated SOMRO for Enhanced Depression Detection of Textual Data: Optimizing Machine Learning with Hybrid Swarm Intelligence

　　

摘要

抑郁症带来的日益严峻的压力及其对个人和职业生活的深刻影响，凸显出迫切需要快速且可靠的诊断方法。为应对这一关键需求，本文提出了两种创新且复杂的架构，用于在基准文本数据集中识别抑郁相关文本，这些架构结合了机器学习、集成学习以及混合群体优化技术，即SOMRO和混沌集成SOMRO（CI-SOMRO）。所提出的SOMRO模型旨在利用海马优化法（SO）高效的利用机制与蚂蚁射线优化法（MRO）强大的探索能力，借助二者之间的差异性来平衡全局搜索动态与精细的局部优化。CI-SOMRO模型通过用动态混沌变量替代传统随机数，显著提升了SOMRO模型的性能。混沌理论的引入增强了利用与探索过程的能力，从而有助于系统地找到最佳解决方案。通过对所提模型与独立算法及现有最先进方法的直接比较，验证了其出色的性能提升效果。实验结果表明，采用新型CI-SOMRO模型调优的XGBoost集成模型具有显著的效果，准确率为96.29%，F1分数为95.4%。此外，还利用可解释人工智能模型LIME（局部可解释模型无关解释）从特征层面进行说明，以帮助临床心理学家制定决策方案。这项研究展现了混合优化与机器学习方法在实现可靠且快速的抑郁症诊断方面的巨大潜力，进而有助于优化心理健康干预策略。