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

通过对不同交互场景中的语音信号进行研究，包括精神科面谈、聊天机器人对话和文字朗读，本研究探究了语音信号在基于人工智能的抑郁症筛查中的实用性。利用从每个参与者的分割录音中提取的声学和深度语音特征，使用神经网络或支持向量机进行分类，并通过聚合的音频片段结果确定最终评估。分析结果表明，语音在抑郁症筛查中是一个关键的标志物，人机交互的效果与临床面谈相匹配，甚至优于阅读任务。片段时长和数量对模型性能有显著影响，而深度语音特征在表现上明显优于传统声学特征。

Jun, 2024

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

通过语音信号图形转换和自然语言处理相结合，可以提高语音信号图形低级特征和文本低级特征分类和学习的融合，从而增强抑郁症等心理障碍的检测，特别是在疫情后期，随着语音启用设备，如智能手机的普及。

May, 2022

本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

Jul, 2023

研究表明，语言使用与抑郁症相关，但需要大规模验证。本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题。其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题：无期望、睡眠、心理疗法、剪发、学习和课程作业。我们比较了识别到的话题之间的行为（通过可穿戴设备）和语言特征，揭示了话题的产生及其与抑郁症的关联。同时，通过调查话题转变与时间内抑郁症严重程度的变化之间的关系，证明了长期监测语言使用的重要性。此外，我们还在一个类似较小的数据集上测试了 BERTopic 模型（57 名参与者的 356 个语音记录），获得了一些一致的结果。总结起来，我们的发现表明特定的语音话题可能会指示抑郁症的严重程度。所呈现的数据驱动工作流提供了一种在真实环境中收集和分析大规模语音数据的实用方法，可用于数字健康研究。

Aug, 2023

通过语音样本的机器学习方法，本研究旨在诊断患者焦虑症，展示多模态和音频嵌入方法在该任务中取得了良好的性能。

Dec, 2023

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

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

本文介绍了一个新型的多级注意力网络用于多模式抑郁症预测，包括来自音频、视频和文本模式的特征融合，其在选择每种模式内最具影响力的特征进行决策时通过多级注意力加固了整体学习，实验中表现优于现有基线 17.52% 的均方根误差。

Sep, 2019