SFF-DA：用于非侵入式焦虑检测的时空特征融合
计算机视觉与模式识别
2023-03-10 v2 图像与视频处理
摘要
焦虑的早期检测对于减轻精神障碍患者的痛苦和改善治疗结果至关重要。利用移动健康（mHealth）平台进行焦虑筛查在提升筛查效率与降低成本方面尤为实用。然而，现有方法的有效性受到以下因素阻碍：用于采集受试者身心评估的移动设备差异，以及真实场景中遇到的数据质量波动与小样本量问题。为解决这些问题，我们提出一种带时空特征融合的非侵入式焦虑检测框架。我们使用基于3D卷积网络与长短期记忆（"3DCNN+LSTM"）的特征提取网络来融合面部行为与非接触生理信号的时空特征，从而减轻数据质量不均的影响。此外，我们设计了一种相似性评估策略，以解决小样本量导致模型精度退化的问题。我们的框架使用来自真实世界的机组数据集以及两个公开数据集验证：勃艮第-弗朗什-孔泰大学生理心理（UBFC-Phys）数据集与居家及职场知识工作健康智能推理（SWELL-KW）数据集。实验结果表明，我们的框架优于对比方法。
引用
@article{arxiv.2208.06411,
title = {SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety Nonintrusively},
author = {Haimiao Mo and Yuchen Li and Shanlin Yang and Wei Zhang and Shuai Ding},
journal= {arXiv preprint arXiv:2208.06411},
year = {2023}
}