通过重分配数据和使用原始音频特征等 Fair Machine Learning 的方法，我们可以解决 Distress Analysis Interview Corpus - Wizard of Oz (DAIC-WOZ) 数据集中的性别偏见问题，从而解决数据偏见对抑郁症检测性能的影响。

Oct, 2020

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

在大型语言模型的时代，我们研究认知畸变检测的任务并提出【思维诊断】（Diagnosis of Thought）促进，通过三个阶段：主观性评估，对事实和思维进行分离；对支持和反对思维的推理过程进行对比推理；以及对认知模式进行总结的模式分析，在辅助专业人士方面取得显著的改进，同时生成获得人工专家认可的高质量诊断依据。

Oct, 2023

该论文提出了一种基于临床标准的对话式抑郁症诊断方法，并构建了一个模拟医生与患者对话过程的中国对话数据集（D$^4$），通过该数据集进行多任务学习，设计出一个更具有同情心、诊断准确性更高、针对抑郁症的会话系统。

May, 2022

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

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

研究表明深度语言模型辅助的对话代理在心理健康方面具有很大潜力，用于提供信息性和治疗性服务，在抑郁症方面的实验显示控制生成问题对于精神保健评估是合适的，创造一个名为 PRIMATE 的数据集，用以培训深度语言模型。

May, 2022

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

提出了一种基于多模态语音和文本表达的关注机制用于预测抑郁症，使用 DAIC-WOZ 数据集训练所提出的模型，分别在音频、文本和多模态情况下进行了实验，并取得了较好的预测效果。

Feb, 2022

使用非语言线索检测抑郁症，引入虚拟助手与认知行为疗法基于的回应，取得了显著成果。

Jun, 2024