检索历史 清除

摘要抑郁症是一种长时间心境低落的精神类疾病。患上抑郁症的原因有多种，比如社会压力、家庭遗传等。现阶段对于抑郁症的诊断还没有形成一个统一的标准，主要依赖于医生问诊（提问、观察和倾听）及临床量表评定的方法，诊断结果容易受医生经验水平、病人状态和环境等因素影响。此外，基于医生问诊和量表评定方法的精神疾病诊断也受到医疗资源、操作方法复杂等方面的影响。随着语音情感识别技术的快速发展，使其已经在多个领域得到广泛的应用，如在医疗方面，病人的情感辅助诊断;生活方面，情感陪护机器人等。基于上述的相关背景，本文通过对抑郁症患者进行朗读式语音数据采集并基于采集的语音对抑郁症患者的情感进行量化评估。本文从以下三个方面进行分析。<br>　　(1)鉴于当前主流抑郁症临床评估方法粗粒度评估抑郁症症状，无法细粒度刻画抑郁症即时变化的问题，本文以抑郁症心境状态为研究对象，提出一种基于电子化POMS量表的抑郁症情感分析。通过将POMS量表进行电子化，与此同时将原有的5值进行细化实行百分制，经过上述的改进之后极大的方便了数据的采集，也获取了更为细化的量表数据。通过将采集的量表数据分析结果与汉密尔顿抑郁量表(HAMD-17)数据分析结果对比来验证本章提出方法的有效性。<br>　　(2)为了获取朗读式语音的一类有效情感特征集作为抑郁症情感量化指标，本文以一种类似于朗读式语音的情感语料库—CASIA为研究对象，提出基于多分类器组合提升的语音情感识别。采用AdaBoost算法作为情感分类的分类器，并针对AdaBoost算法的分类器组合、加权和排序方法不足的问题，提出一种基于AdaBoost的分类器组合、加权和排序的改进算法，并与其他分类器的分类结果相比较。基于改进的算法采用不同类型的特征对应CASIA数据集的6类情感进行分类，分类准确率越高的特征集性能越好。最后，基于改进后的算法分类准确率达到81.4％。<br>　　(3)为了验证量化指标在抑郁症患者朗读式语音中的有效性，本文提出基于语音数据的抑郁症量化评估模型。通过构建回归模型，并将回归模型得出的预期值与实际值进行个性化模型的有效性检验，最终得出参与数据采集的6名抑郁症患者的相关系数都在0.7附近，P值低于0.05，这就意味着抑郁情绪状态预期值和实际值存在一定的相关性，个性化量化模型能够准确量化抑郁症的主要情绪状态。本文为抑郁症情感量化评估提供了一种新的研究思路，具有重要参考意义。