基于视觉线索特征学习与融合的抑郁症自动检测
机器学习
2022-03-02 v1 人工智能
人机交互
摘要
抑郁症是最普遍的精神障碍之一，严重影响患者生活。传统的抑郁症诊断通常依赖于量表评分，过程耗时且主观性强。在此背景下，抑郁症自动检测（Automatic Depression Detection, ADD）因其低成本和客观性而受到越来越多的关注。ADD系统能够从视频序列等医疗记录中自动检测抑郁症。然而，从长序列中有效提取抑郁症特异性信息仍然具有挑战性，从而阻碍了令人满意的准确率。本文提出了一种通过学习和融合视觉线索特征的新型ADD方法。具体而言，我们首先构建了时序扩张卷积网络(Temporal Dilated Convolutional Network, TDCN)，其中设计并堆叠了多个扩张卷积块(Dilated Convolution Block, DCB)，以学习序列中的长程时序信息。然后，采用特征通道注意力(Feature-Wise Attention, FWA)模块来融合从TDCN中提取的不同特征。该模块学习为特征通道分配权重，旨在更好地整合不同类型的视觉特征，并进一步提升检测准确率。与其他基于视觉特征的方法相比，我们的方法在DAIC_WOZ数据集上取得了最先进的性能，证明了其有效性。
引用
@article{arxiv.2203.00304,
title = {Automatic Depression Detection via Learning and Fusing Features from Visual Cues},
author = {Yanrong Guo and Chenyang Zhu and Shijie Hao and Richang Hong},
journal= {arXiv preprint arXiv:2203.00304},
year = {2022}
}