利用元启发式方法提高焦虑障碍检测的深度学习系统性能

尽管焦虑相关疾病是最常见的心理疾病之一，但仍主要通过主观评估（如临床访谈和自评问卷）来识别这些条件。这些传统方法通常需要相当大的时间，并且可能因评估者而异。然而，人工智能技术的出现创造了以更一致和自动的方式检测焦虑的新机会。为了解决传统方法的局限性，本研究引入了一个综合模型，将深度学习架构与受群体智能启发的优化策略相结合。使用多模态和可穿戴传感器数据集，该框架分析生理、情感和行为信号。包括遗传算法和粒子群优化在内的群体智能技术用于细化特征空间和优化超参数。而深度学习组件则负责从序列、多源输入中派生分层且具辨别力的表示。我们的评估显示，这两种计算范式的融合显著优于仅使用深度网络的情况，提高了检测性能。该混合模型在准确率和在各种个体上的更强泛化能力方面均取得显著的改进。总体而言，结果凸显了将元启发式优化与深度学习结合以开发可扩展、客观且临床上有意义的焦虑障碍评估解决方案的潜力。