此研究评估了使用机器学习和自然语言处理技术来检测抑郁症的方法，针对数据清理、模型选择等方面进行了案例研究，并在具体实验中使用 Distress Analysis Interview Corpus - Wizard-of-Oz（DAIC-WOZ）数据集构建出准确率约为 84% 的模型，明显高于现有文献中通过 SVM 模型得到的 72% 的准确率。

Apr, 2024

通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

Mar, 2023

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

本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

Feb, 2023

通过使用机器学习方法来确定可以最好地识别处于抑郁症高风险亚组的变量，本研究阐明了重复效应 / 期望最大化（RE-EM）树和混合效应随机森林（MERF）等数据驱动的机器学习（ML）方法可靠性地预测未来和现在的抑郁症状，并已确定哀愁、负性生活事件、负性认知风格和感知控制是未来抑郁水平的最相关预测因子。

Jul, 2023

通过使用可穿戴传感器和机器学习方法，研究提出了一种名为混合随机森林 - 神经网络的算法，用于评估抑郁症患者的传感器数据。该算法在包括难治性和双极性抑郁症患者以及健康对照组的特殊数据集上的准确率达到 80％，为精神健康诊断领域做出了重要贡献。

Oct, 2023

该研究利用基于朴素贝叶斯分类器的机器学习模型预测大学生的抑郁水平，结果表明模型对早期抑郁的检测和治疗具有较高的准确性和敏感性，特别是在中度和重度水平下，对负面情况的分类也具有显著的特异性，从而有助于改善学生群体的心理健康。

Jul, 2023

通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 2023

通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

Apr, 2018

通过使用青少年调查数据来预测抑郁风险，本研究提出了一种处理不平衡医学数据的方法和适应性预测方法，并提出了基于云的在线学习和数据更新的架构解决方案。

Jan, 2024