基于交叉注意力的多模态特征融合抑郁检测方法

抑郁是一种流行且严重的精神健康问题，影响约全球人口的 3.8%。尽管存在有效的治疗方案，但在中低收入国家仍有 75% 以上的个体未接受治疗，部分原因是难以准确诊断早期抑郁。本文引入一种新型方法，用于基于多模态特征融合的抑郁检测。通过采用 MacBERT 作为预训练模型提取文本的词汇特征，并纳入额外的 Transformer 模块以细化任务特定的上下文理解，显著增强了模型对目标任务的适应性。与以往仅简单拼接多模态特征不同，本方法利用交叉注意力进行特征集成，大幅提高了抑郁检测的准确率，实现了对用户情绪和行为的更全面、精准的分析。此外，构建了一个基于交叉注意力的多模态特征融合网络（MFFNC），在抑郁识别任务中表现卓越。实验结果表明，我们的方法在测试数据集上实现了 0.9495 的准确率，显著优于现有方法。此外，该方法勾勒出了面向其他社交媒体平台和涉及多模态处理的其他任务的有前景的 methodology。及时识别并干预有抑郁症状者，不仅关乎挽救生命，也凸显了技术在促进精神健康问题早期干预中的巨大潜力。