这篇文章介绍了 “音频 / 视觉情感挑战和研讨会（AVEC 2016）” 的比赛指南，使用的数据和基线系统在情感分析任务方面的表现，该比赛旨在比较多媒体处理和机器学习方法的自动音频、视觉和生理抑郁症和情绪分析，并为多模态信息处理提供一个公共基准测试集。

May, 2016

本文介绍了一种多模态特征提取和决策层融合方法用于通过机器学习算法自动检测抑郁症，并使用支持向量机和神经网络对特征进行分类，在音频特征和视频特征上比验证数据集提供的基线分别提高了 17％和 24.5％。

Sep, 2017

通过主题建模的方法，我们提出了一种上下文感知分析录音的方法，用于预测变态抑郁症的水平，该方法在 AVEC 挑战赛中的所有指标上优于基线。

Mar, 2018

介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

May, 2021

通过使用预训练的情感识别模型进行特征提取来实现自动抑郁症检测，结合音频和文本的情感信息，提出了一种情感传递方法来增加训练的稳定性和检测性能，在进一步理解抑郁症与情感关系方面提供了线索。

Apr, 2022

通过调查音频和视觉深度学习方法，为非控制环境中的情绪识别问题提供有效的体系结构。使用基于微调的卷积神经网络（CNN）和公共维度情绪模型（PDEM）进行视频和音频模态的比较，并使用这些多阶段训练的模态特定的深度神经网络（DNN）的嵌入来比较替代的时间建模和融合策略。在 ABAW'24 挑战协议下，对 AffWild2 数据集进行了结果报告。

Mar, 2024

本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本，实现了令人印象深刻的 93% 测试准确率。同时，该项目旨在结合可穿戴设备（如智能手表和脑电传感器）的生理信号，提供情绪障碍和情绪状态的长期跟踪和预后，这种综合方法有望提高抑郁症的早期检测并促进整体心理健康结果。

Jan, 2024

EmotiW 是 ACM 国际多模态交互会议上的第六次情感识别大挑战，为情感计算社区中的研究人员提供了一个共同平台，在野外数据上对他们的算法进行基准测试。

Aug, 2018

ACM Multimedia 2023 Computational Paralinguistics Challenge 中，Emotion Share Sub-Challenge 需要进行语音回归分析，Requests Sub-Challenges 需要检测请求和投诉。研究中介绍了 Sub-Challenges、基线特征提取和基于 ComPaRE 特征、auDeep 工具包和使用预训练 CNN 的深度特征提取的分类器；此外，还使用了 wav2vec2 模型。

Apr, 2023

本论文提出了一种基于语音特征和语言内容的新型抑郁症检测方法，建立了一个包含抑郁和非抑郁志愿者的情感音频文本抑郁症语料库，该方法在两个抑郁症数据集上取得了最先进的性能，结果表明了该方法的有效性和泛化能力。

Feb, 2022