概率文本时间序列抑郁检测
计算与语言
2025-11-07 v1
摘要
准确且可解释的抑郁严重程度预测对于临床决策支持至关重要，但现有模型往往缺乏不确定性估计和时间建模。我们提出了 PTTSD（Probabilistic Textual Time Series Depression Detection），一个从言语级别的临床访谈中预测 PHQ-8 评分并对时间上的不确定性进行建模的概率文本时间序列抑郁检测框架。PTTSD 包括序列到序列和序列到单一变体两种版本，两种变体都结合了双向 LSTM、自注意力和残差连接，配合高斯或 Student-t 输出头，通过负对数似然进行训练。在 E-DAIC 和 DAIC-WOZ 数据集上评估，PTTSD 在仅使用文本的系统中实现了最新性能（例如在 E-DAIC 上 MAE 为 3.85，在 DAIC 上为 3.55），并产生了良好校准的预测区间。消融实验确认注意力和概率建模的价值，与 MentalBERT 的比较表明其通用性。进一步的三部分校准分析和定性案例研究进一步突显了不确定性感知预测的可解释性和临床相关性。
引用
@article{arxiv.2511.04476,
title = {Probabilistic Textual Time Series Depression Detection},
author = {Fabian Schmidt and Seyedehmoniba Ravan and Vladimir Vlassov},
journal= {arXiv preprint arXiv:2511.04476},
year = {2025}
}
备注
14 pages, 8 figures, 4 tables