本研究提出通过将模型约束在医生在抑郁筛选过程中使用的 PHQ9 表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于 PHQ9 的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。

Apr, 2022

本文研究了利用移动电话数据进行抑郁症预测的方法，并提出了使用 LSTM 网络进行建模的解决方案，实验结果表明该预测任务的准确率与抑郁症诊断任务相当，精度可达 77.0％。

May, 2022

本文利用面部特征提取技术，通过多种视听方式设计自动检测方法，获取心理学标准 PHQ-8 测试结果，性能表现最佳的为面部特征提取，平均绝对误差为 4.66，语言特征稍高，为 5.17，而从音频记录中提取的 Turn Features 在测试集中表现最佳，平均绝对误差为 4.11，该体系结构在 AVEC 2017 抑郁症子挑战赛中成为优胜者。

Nov, 2017

通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

Oct, 2017

本文介绍了一种基于机器学习的方法，在自动检测抑郁症状方面，使用 3D 面部表情和口语，取得了很好的效果，对于检测重度抑郁症，模型表现出 83.3％敏感性和 82.6％特异性。该技术结合语音识别、计算机视觉和自然语言处理，可用于帮助心理健康患者和从业人员在全球范围内普及低成本的心理健康护理。

Nov, 2018

MoodCapture 通过智能手机前置相机自动捕捉的图像提出了一种新的评估抑郁症的方法，收集了 177 位被诊断为重度抑郁症的参与者 90 天内超过 125,000 张在日常生活中捕捉到的图像，并通过分析图像属性如角度、主导颜色、位置、物体和照明等，证明了使用面部标记的随机森林可以有效地分类样本为抑郁或非抑郁，并准确预测 PHQ-8 评分，在事后分析中提供了许多洞见，如消融研究、特征重要性分析和偏差评估，重要的是，我们评估了用户对使用 MoodCapture 检测抑郁症的担忧，为未来设计基于图像的在野外心理健康评估工具提供了重要的隐私问题洞察。

Feb, 2024

本研究旨在探讨通过使用多模态融合模型，利用患者声音、视频、文本等特征预测临床评估中的抑郁症状，PHQ-8，该模型在训练 AVEC 2017 数据集时表现优于每个单一模态的预测模型，并超越数据集的基线水平。

Nov, 2017

通过应用深度多任务循环神经网络学习时间相关的抑郁线索，本文探讨了使用机器学习预测未来抑郁症的可能性，利用住房状况和家庭环境的细节，提供了预测未来精神障碍的线索，并使用对比一类特征排名和偏差排名两个辅助任务显着提高了预测模型的样本效率，从而减少了对大型抑郁症标记数据集的依赖。对大型儿童抑郁症数据的大量实证结果表明，我们的模型是样本高效的，能够在疾病发生前 2-4 年准确预测抑郁症，远远优于 8 个典型的比较模型。

Dec, 2020

通过分析根据被动捕捉的数据预测日常自我报告的压力和 PHQ-9 抑郁评分，我们发现 WiFi 特征（编码移动模式）和电话日志特征（编码与睡眠模式相关的信息）对于压力和抑郁预测提供了显著信息。

Oct, 2023

本研究提出一种多模态深度学习模型，结合了转换器编码器和预训练语言模型，利用客观指标和自我报告日记进行情感状态预测。通过进行为期一年的纵向研究，监测大学生参与者的身体、环境、睡眠、新陈代谢和体力活动参数，以及开放式的文本日记，实证结果表明该模型在提前一周预测积极和消极情感方面的准确率分别为 82.50% 和 82.76%。该模型的解释性进一步提高了其有效性。

Mar, 2024