检索历史 清除

摘要抑郁症是最严重的心理疾病之一，不仅对个人的心理、身体产生极大的危害，而且也会给社会，家庭带来不利的影响。随着抑郁症发病率呈逐年上升趋势，传统诊断方式的弊端日益凸显。传统诊断方式易受主观因素的影响，需要病人主动配合，并且准确率也一直不高。将患者的语音特征，行为特征与机器学习，数据挖掘等方法结合，建立自动化的抑郁识别模型，可以克服传统诊断的不足，有利于抑郁患者的早期诊断和干预。<br>　　以往的研究大多是提取语音、面部、步态、头部晃动等单一的特征去建立模型识别抑郁患者。由于抑郁症的表现形式多种多样，仅仅用单一的特征去识别抑郁患者，可能会由于信息获取不充分而导致识别错误。如今，越来越多的研究者开始使用多种特征建立模型来识别抑郁症患者。<br>　　建立自动识别病患的多模态模型的关键是融合方法，传统的融合方式分为两类:特征融合和模型融合。特征融合是把每种特征以一定的策略进行融合成一个整体特征，其关键是用相同的原理或方法去提取、处理不同种类的特征。模型融合是对每种特征分别建立模型，然后用这些模型一起决定识别结果，其关键是建模时要考虑每个模型间，模型和数据间是有一定联系的。而之前的研究缺乏对这种先验知识的学习。<br>　　针对传统融合方法存在的问题，本研究结合语音和步态特征提出两种新的融合方法:权重融合和LDB融合。<br>　　1.权重融合是模型融合的一种，分为软权重融合和硬权重融合，主要思想是在建立各个特征模型时，引入对先验知识的学习。<br>　　2.LDB融合是特征融合的一种，同时作用于语音和步态特征，使这两种特征能够更加兼容，弥补各自的不足。<br>　　利用传统的融合方法、权重融合和LDB融合在自己收集的抑郁患者和正常人，抑郁患者和双相障碍患者的数据集上进行了实验，结果表明，本论文中提出的融合方法的识别率要好于传统的融合方法。