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
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
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
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
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
通过消融实验证明，在自动检测抑郁症方面，使用访谈者的提示可能会导致模型学习到特定区域的信息，从而通过简化的方式检测出抑郁症患者，这强调了在模型中使用访谈者提示时需谨慎的必要性。
Apr, 2024
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
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。
本研究旨在解决早期抑郁症干预在实际应用中的困难，通过利用机器学习和人工智能从文本中自动检测抑郁指标。研究提出了一种基于BERT模型的文本摘要预处理技术，显著提高了抑郁症状的检测精度，测试集F1得分为0.67，验证集F1得分为0.81，并开发了抑郁词典以评估摘要质量与相关性。
Sep, 2024