DEPAC: a Corpus for Depression and Anxiety Detection from Speech
Winterlight Labs（温特莱特实验室）
本文提出抑郁焦虑语音检测语料库DEPAC，含多语音任务与人口统计信息，并验证其与手工特征在预测抑郁严重程度上的有效性。
2023-06-20 cs.CL cs.LG cs.SD
Predicting Individual Depression Symptoms from Acoustic Features During Speech
Dalhousie University（达尔豪斯大学）；Vector Institute（向量研究所）；Nova Scotia Health（新斯科舍省健康局）
针对现有自动抑郁检测系统未基于临床量表单项症状预测的问题，该研究首次利用语音声学特征，结合CNN、LSTM及多种时序上下文学习方法、投票方案，实现抑郁量表单项条目预测，还配套了动态可视化示例。
2024-06-23 cs.AI cs.LG cs.SD
Topic Modeling Based Multi-modal Depression Detection
University of Notre Dame（圣母大学）
重度抑郁症是一种常见的精神障碍，影响近7%的美国成年人口。2017年视听情绪挑战赛（AVEC）要求参与者建立一个模型，根据7-33分钟的采访的音频，视频和文本来预测抑郁水平。由于在整个访谈中平均特征将丢失大部分时间信息，因此如何发现、捕获和保存如此长的访谈的有用时间细节是重大挑战。因此，我们提出了一种新的主题建模为基础的方法来执行上下文感知分析的记录。我们的实验表明，所提出的方法优于上下文不知道的方法和挑战基线的所有指标。
2018-03-28 cs.CL cs.IR cs.LG
Text-based depression detection on sparse data
以前的基于文本的抑郁检测通常基于大量用户生成的数据。像临床对话这样的稀疏场景很少被研究。本文提出了一种基于文本的多任务BGRU网络，该网络具有预训练的词嵌入来模拟患者在临床访谈中的反应。我们的主要方法使用了一种新的多任务损失函数，旨在建模抑郁症的严重程度和二元健康状态。我们独立地研究了单词和单词级的单词嵌入以及大数据预训练在抑郁症检测中的应用。为了加强我们的研究结果，我们报告了稀疏数据上大量独立运行的平均结果。首先，我们表明预训练有助于基于词级文本的抑郁检测。第二，我们的研究结果表明，在词汇层面的词嵌入应该是首选。虽然池函数的选择不那么重要，但平均值池和注意力池应该优先于最后时间步池。我们的方法输出抑郁症的存在结果以及预测的严重程度评分，最终在DAIC-WOZ开发集上获得了0.84的宏观F1评分和3.48的MAE。
2020-07-08 cs.CL cs.HC cs.LG
MDD-Net: Multimodal Depression Detection through Mutual Transformer
Centre for Pattern Analysis and Machine Intelligence, Department of Electrical and Computer Engineering, University of Waterloo（模式分析与机器智能中心，电气与计算机工程系，滑铁卢大学）；School of Engineering and Computing, Department of Computer Science and Engineering, American University of Ras Al Khaimah（工程与计算学院，计算机科学与工程系，阿联酋拉线哈姆市美国大学）
本研究提出MDD-Net，利用mutual transformer融合声学和视觉特征进行抑郁症检测，在D-Vlog数据集上F1-Score较现有最优方法提升最高达17.37%。
2025-08-11 cs.CV cs.LG cs.MM
MMFformer: Multimodal Fusion Transformer Network for Depression Detection
Centre for Pattern Analysis and Machine Intelligence, Department of Electrical and Computer Engineering, University of Waterloo（模式分析与机器智能中心，电气与计算机工程系，滑铁卢大学）；School of Engineering and Computing, Department of Computer Science and Engineering, American University of Ras Al Khaimah（工程与计算学院，计算机科学与工程系，阿联酋拉线哈姆斯美国大学）
本文提出MMFformer多模态融合网络，通过残差Transformer提取视频空间特征与音频时间动态，采用后期与中间融合策略捕获跨模态相关性，在D-Vlog和LMVD数据集上F1-Score分别提升13.92%和7.74%。
2025-08-08 cs.AI cs.CL cs.CV
Affective Conditioning on Hierarchical Networks applied to Depression Detection from Transcribed Clinical Interviews
National Technical University of Athens（雅典国立技术大学）；Behavioral Signal Technologies（行为信号技术公司）
在这项工作中，我们提出了一个机器学习模型，从转录的临床访谈抑郁症检测。抑郁症是一种精神障碍，不仅影响受试者的情绪，还影响语言的使用。为此，我们使用层次注意力网络对抑郁症患者的访谈进行分类。我们增加了我们的模型的注意力层的语言特征，从情感词汇提取的条件反射机制。我们的分析表明，被诊断患有抑郁症的人使用情感语言的程度比不抑郁。我们的实验表明，外部情感信息提高了所提出的架构在一般心理治疗语料库和DAIC-WoZ 2017抑郁症数据集中的性能，分别达到了最先进的71.6和68.6 F1分数。
2020-06-04 cs.CL cs.LG stat.ML
Cost-sensitive Boosting Pruning Trees for depression detection on Twitter
University of Leicester（莱斯特大学）；Xidian University（西安电子科技大学）；Queen Mary, University of London（伦敦玛丽女王大学）；Brunel University London（伦敦布鲁内尔大学）；University of Kent（肯特大学）
抑郁症是最常见的心理健康障碍之一，每年有大量抑郁症患者自杀。潜在的抑郁症患者通常不会咨询心理医生，因为他们感到羞愧或不知道任何抑郁症，这可能会导致诊断和治疗的严重延误。与此同时，有证据表明，社交媒体数据提供了有关身心健康状况的有价值的线索。在本文中，我们认为，它是可行的，以识别抑郁症在早期阶段，通过挖掘在线社交行为。该方法不依赖于提取大量或复杂的特征来实现准确的抑郁症检测，这对抑郁症检测的实践是一种创新。相反，我们提出了一种新的分类器，即成本敏感的提升修剪树（CBPT），它在两个公开访问的Twitter抑郁症检测数据集上表现出强大的分类能力。为了全面评估CBPT的分类能力，我们使用来自UCI机器学习存储库的另外三个数据集，CBPT获得了与几种最先进的提升算法相比较的有吸引力的分类结果。最后，我们全面探讨了模型预测的影响因素，结果表明，我们提出的框架是有希望的识别Twitter用户与抑郁症。
2022-01-21 cs.LG cs.SI stat.ML
Mining Mental Health Signals: A Comparative Study of Four Machine Learning Methods for Depression Detection from Social Media Posts in Sorani Kurdish
University of Kurdistan Hewlêr（库尔德斯坦大学）
本研究首次针对索拉尼库尔德语推文构建抑郁症检测数据集，并比较四种机器学习模型，其中随机森林以80%的准确率和F1分数取得最佳效果，为该语言环境下的自动化抑郁症检测建立了基线。
2025-08-18 cs.CL cs.LG
Multi-Task Learning for Depression Detection in Dialogs
Universite de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Toulouse（图卢兹大学）
抑郁症是一种严重的精神疾病，影响人们的沟通方式，特别是通过他们的情绪，以及据称他们与他人互动的方式。这项工作研究了对话中的抑郁信号，这是一种研究较少的设置，受数据稀疏性的影响。我们假设抑郁和情绪可以相互影响，我们建议通过话题和对话行为预测来探索对话结构的影响。我们研究了多任务学习（MTL）的方法，其中上述所有任务都是与对话框定制的分层建模共同学习的。我们的实验DAIC和DailyDialog语料库，都包含对话在英语中，并显示出重要的改进，超过国家的最先进的抑郁症检测（最好的70.6%F1），这表明抑郁症的相关性与情绪和对话组织和MTL的力量，以利用来自不同来源的信息。
2022-07-21 cs.AI cs.CL cs.LG
Leveraging Large Language Models for Cost-Effective, Multilingual Depression Detection and Severity Assessment
The Chinese University Of Hong Kong（香港中文大学）；City University of Hong Kong（香港城市大学）
本研究评估了四种大语言模型在抑郁症检测中的表现，发现DeepSeek V3在零样本和少样本场景下均表现可靠且成本效益最高，但在严重程度评估方面仍需改进。
2025-04-07 cs.CL cs.LG
DepressionNet: A Novel Summarization Boosted Deep Framework for Depression Detection on Social Media
University of Technology Sydney（悉尼科技大学）；Deakin University（迪肯大学）；University of Essex（埃塞克斯大学）
Twitter目前是一个流行的在线社交媒体平台，允许用户分享他们的用户生成的内容。这种公开生成的用户数据对医疗保健技术也至关重要，因为发现的模式将在几个方面使他们受益匪浅。其中一个应用是自动发现心理健康问题，例如，萧条以前的研究，以自动检测一个抑郁的用户在网上社交媒体在很大程度上依赖于用户的行为和他们的语言模式，包括用户的社交互动。缺点是这些模型是在几个不相关的内容上训练的，这些内容对于检测抑郁的用户可能并不重要。此外，这些内容对模型的整体效率和有效性产生了负面影响。为了克服现有的自动抑郁症检测方法的缺点，我们提出了一种新的自动抑郁症检测的计算框架，最初选择相关的内容，通过一个混合提取和抽象的总结策略的序列上的所有用户推文，导致更细粒度和相关的内容。然后，内容转到我们新颖的深度学习框架，该框架由卷积神经网络（CNN）组成的统一学习机制与注意力增强的门控递归单元（GRU）模型相结合，从而获得比现有强基线更好的经验性能。
2021-05-23 cs.CL cs.LG cs.SI
Automatic Depression Detection via Learning and Fusing Features from Visual Cues
Hefei University of Technology（合肥工业大学）
抑郁症是最常见的精神疾病之一，严重影响人们的生活。传统的抑郁症诊断通常依赖于量表的评级，这可能是劳动密集型和主观的。在此背景下，抑郁自动检测（ADD）以其低成本和客观性而受到越来越多的关注。ADD系统能够从一些医疗记录（如视频序列）中自动检测抑郁症。然而，从长序列中有效地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性。在本文中，我们提出了一种新的ADD方法，通过学习和融合视觉线索的特征。具体而言，我们首先构建时间扩张卷积网络（TDCN），其中多个扩张卷积块（DCB）的设计和堆叠，学习从序列的长程时间信息。然后，采用智能注意（FWA）模块融合从TDCN提取的不同特征。该模块学习为特征通道分配权重，旨在更好地结合不同类型的视觉特征，进一步提高检测精度。与其他基于视觉特征的方法相比，我们的方法在DAIC_WOZ数据集上实现了最先进的性能，显示了其有效性。
2022-03-01 cs.AI cs.HC cs.LG
Deep Bag-of-Sub-Emotions for Depression Detection in Social Media
本文介绍了Deep Bag-of-Sub-Emotions（DeepBoSE），这是一种用于社交媒体中抑郁症检测的新型深度学习模型。该模型被公式化，使得它在内部计算包含情感信息的可微分特征袋（BoF）表示。这是通过将词频-逆文档频率等经典加权方案重新解释为概率深度学习操作来实现的。所提出的方法的一个重要优点是，它可以在迁移学习范式下进行训练，这对于增强无法直接集成到深度学习架构中的传统BoF模型非常有用。在eRisk 17和eRisk 18数据集上进行了抑郁检测任务的实验;结果表明，DeepBoSE优于传统的BoF表示，并且与最先进的技术相比具有竞争力，在eRisk 17和eRisk 18中分别获得了0.64和0.65的F1分数。
2021-03-01 cs.CL cs.LG
TRI-DEP: A Trimodal Comparative Study for Depression Detection Using Speech, Text, and EEG
DISI, University of Bologna, Italy（博洛尼亚大学DISI学院，意大利）
本文通过系统比较语音、文本和EEG的三模态方法，验证了多模态检测的有效性，发现预训练嵌入优于手工特征，三模态模型达到最优性能。
2026-03-23 cs.AI cs.CL cs.LG
LMILAtt: A Deep Learning Model for Depression Detection from Social Media Users Enhanced by Multi-Instance Learning Based on Attention Mechanism
Beijing Institute of Technology（北京理工大学）
LMILAtt模型通过结合LSTM自动编码器和注意力机制，利用多实例学习提升社交媒体用户抑郁症检测的准确性与效率，降低标注成本。
2025-09-30 cs.AI cs.LG
Deep Temporal Modelling of Clinical Depression through Social Media Text
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
我们描述了一个模型的发展，以检测用户级的临床抑郁症的基础上，用户的时间社交媒体帖子。我们的模型使用抑郁症状检测（DSD）分类器，该分类器是在临床抑郁症状的临床医生注释的推文的最大现有样本上训练的。我们随后使用我们的DSD模型来提取临床相关特征，例如，抑郁分数及其随后的时间模式，以及用户发帖活动模式，例如，量化他们的“无活动”或“沉默”。此外，为了评估这些提取的特征的有效性，我们从两个现有的知名基准数据集创建了三种数据集，包括一个测试数据集，用于用户级抑郁检测。然后，我们提供基于单一功能，基线功能和功能消融测试的准确性措施，在几个不同级别的时间粒度。可以利用相关的数据分布和临床抑郁症检测相关的设置来绘制不同特征对我们创建的数据集的影响的全貌。最后，我们表明，在一般情况下，只有面向语义的表示模型表现良好。然而，如果训练和测试分布相似，并且用户的时间轴中有更多数据，则临床特征可以增强整体性能。其结果是，抑郁症评分的预测能力显着增加，而用于更敏感的临床抑郁症检测设置。
2023-03-30 cs.CL cs.LG
Context-Aware Deep Learning for Multi Modal Depression Detection
Nanyang Technological University（南洋理工大学）；Institute of Infocomm Research, A*STAR（新加坡科技研究局信息通信研究院）；UBTech（优必选）
本文提出一种结合预训练Transformer与主题建模数据增强的文本模型和深度一维CNN声学模型的多模态抑郁症检测方法，在DAIC数据集上取得最先进性能。
2024-12-26 cs.LG
Ensemble approach for detection of depression using EEG features
iCV Lab, University of Tartu（塔尔图大学 iCV 实验室）；Biosignal Processing Laboratory, Tallinn University of Technology（塔林理工大学生物信号处理实验室）；Yildiz Technical University（耶尔德兹技术大学）
抑郁症是一个严重影响个人健康并对社会造成负面社会和经济影响的公共卫生问题。为了提高人们对这些问题的认识，该出版物旨在确定是否可以从脑电图（EEG）信号中确定抑郁症的长期影响。本文包含使用线性（相对频带功率，APV，SASI）和非线性（HFD，LZC，DFA）EEG特征训练的SVM，LDA，NB，kNN和D3二进制分类器的准确性比较。年龄和性别匹配的数据集包括10名健康受试者和10名在其一生中的某个时间点诊断为抑郁症的受试者。所提出的几个特征选择和分类器组合达到了90%的准确度，其中所有模型使用10倍交叉验证进行评估，并使用随机样本排列进行100次重复的平均值。
2021-03-07 cs.LG eess.SP
A Hybrid Graph Neural Network for Enhanced EEG-Based Depression Detection
School of Biological Science（生物科学学院）；Medical Engineering Southeast University Nanjing, China（医学工程东南大学南京中国）
本文提出混合图神经网络HGNN，结合固定连接的CGNN和自适应连接的IGNN，通过引入图池化和反池化模块提取个体化层次信息，提升EEG抑郁症检测性能。
2026-05-08 cs.AI cs.LG eess.SP
Sentiment Informed Sentence BERT-Ensemble Algorithm for Depression Detection
University of Brighton（布莱顿大学）；Sheffield Hallam University（谢菲尔德哈勒姆大学）
本文针对早期抑郁症检测提出结合情感指标的SBERT与Stacking集成模型，在两个基准数据集上取得69%和76%的F1分数，证明情感特征能提升检测性能。
2024-09-07 cs.CL cs.LG math.ST
Machine Learning Fairness for Depression Detection using EEG Data
University of Cambridge（剑桥大学）；Middle East Technical University（中东技术大学）；The Alan Turing Institute（阿兰·图灵研究所）
本文首次评估EEG抑郁症检测的机器学习公平性，在三个数据集上测试CNN、LSTM和GRU模型，并应用五种偏差缓解策略，证实了现有数据集与算法存在偏差且缓解方法效果各异。
2025-01-30 cs.CV cs.LG eess.SP
Personality-guided Public-Private Domain Disentangled Hypergraph-Former Network for Multimodal Depression Detection
针对多模态抑郁症检测中个体差异与跨模态时间依赖建模的挑战，提出P³HF网络，通过人格引导表示学习、超图-Former架构及公私域解耦，在MPDD-Young数据集上分类性能提升约10%，并验证了各组件有效性。
2025-11-16 cs.AI cs.LG
Entropy-Dominated Temporal Vocal Dynamics as Digital Biomarkers for Depression Detection
Independent Researcher（独立研究员）
本文研究熵驱动的时间生物标记物在抑郁症检测中的效果，发现其比传统特征池方法有显著提升，支持时间敏感的数字表型用于心理健康评估。
2026-04-29 cs.AI cs.LG q-bio.OT
Explainable Depression Detection with Multi-Modalities Using a Hybrid Deep Learning Model on Social Media
University of Technology Sydney (UTS)（悉尼科技大学）；Deakin University（迪肯大学）；University of Essex（埃塞克斯大学）
模型的可解释性对于通过提供对模型预测的洞察来产生适当的用户信任已经变得非常重要。然而，大多数现有的机器学习方法没有提供抑郁症预测的可解释性，因此它们的预测对人类来说是模糊的。在这项工作中，我们提出了解释性的多模态抑郁检测与层次注意力网络MDHAN，用于检测社交媒体上的抑郁用户，并解释模型预测。我们考虑了用户帖子以及基于Twitter的多模态特征，具体地说，我们使用应用于推文级别和词级别的两个级别的注意力机制对用户帖子进行编码，计算每个推文和词的重要性，并从用户时间轴（帖子）中捕获语义序列特征。我们的实验表明，MDHAN优于几种流行的鲁棒基线方法，证明了将深度学习与多模态特征相结合的有效性。我们还表明，我们的模型有助于提高在社交媒体上公开发布消息的用户中检测抑郁症时的预测性能。MDHAN实现了出色的性能，并确保有足够的证据来解释预测。
2021-04-28 cs.IR cs.LG cs.SI
Mitigating Gender Bias in Depression Detection via Counterfactual Inference
School of Advanced Technology（高级技术学院）；Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学）
本文提出反事实推理框架，通过因果图建模和消除性别偏见，提升抑郁症检测的公平性和准确性。
2026-02-02 cs.AI cs.CY cs.LG
Transfer Learning for Real-time Deployment of a Screening Tool for Depression Detection Using Actigraphy
Avegen Ltd（Avegen有限公司）；Symbiosis Institute of Technology（共生理工学院）；Symbiosis Centre for Applied Artificial Intelligence（共生应用人工智能中心）；Symbiosis International University（共生国际大学）
自动抑郁症筛查和诊断是当今一个高度相关的问题。传统的抑郁症检测方法存在一些局限性，即对临床医生的高度依赖和有偏见的自我报告。近年来，研究表明，基于机器学习（ML）的方法具有强大的潜力，这些方法利用了通过可穿戴设备收集的用户被动数据。然而，ML是数据饥渴的。特别是在医疗保健领域，原始数据汇集具有挑战性。在这项工作中，我们提出了一种基于迁移学习的方法，从一个在二级数据集上训练的模型，用于基于用户的体动记录数据的抑郁症筛查工具的实时的部署。这种方法即使在有限的原始数据样本下也能实现机器学习建模。在主要集上执行的留一交叉验证方法的修改版本导致平均准确度为0.96，其中在每次迭代中，主要集中的一个受试者的数据被保留用于测试。
2023-03-14 cs.LG eess.SP
A Multitask Deep Learning Approach for User Depression Detection on Sina Weibo
College of Cybersecurity（网络空间安全学院）；Sichuan University（四川大学）
近年来，由于抑郁症的精神负担，危及生命的人数正在迅速增加。在线社交网络（OSN）为研究人员提供了另一种检测抑郁症患者的视角。然而，基于机器学习的抑郁症检测的现有研究仍然留下相对较低的分类性能，这表明在其特征工程的改进方面存在显着的改进潜力。在本文中，我们在新浪微博（一个领先的OSN，在中国社区中拥有最多的活跃用户）上手动构建了一个大型数据集，即微博用户抑郁检测数据集（WU 3D）。其中包括2万多名正常用户和1万多名抑郁用户，这两种用户都是由专业人员手动标记并重新检查的。通过分析用户的文本、社交行为和发布的图片，总结并提出了十个统计特征。同时，使用流行的预训练模型XLNet提取基于文本的单词特征。此外，提出了一种新的深度神经网络分类模型，即FusionNet（FN），并同时使用上述提取的特征进行训练，这些特征被视为多个分类任务。实验结果表明，FusionNet在测试数据集上获得了最高的F1-Score，为0.9772。与现有的研究相比，我们提出的方法具有更好的分类性能和不平衡的训练样本的鲁棒性。我们的工作还提供了一种新的方法来检测其他OSN平台上的抑郁症。
2020-08-26 cs.CL cs.LG cs.SI
Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features
Al Imam Mohammad Ibn Saud Islamic University（伊玛目穆罕默德·本·沙特伊斯兰大学）；King Saud University（沙特国王大学）
Facebook、Twitter和Instagram等社交媒体渠道永远改变了我们的世界。人们现在比以往任何时候都更加紧密地联系在一起，并揭示了一种数字人格。虽然社交媒体确实有几个显著的特点，但缺点也是不可否认的。最近的研究表明，社交媒体网站的高使用率与抑郁症增加之间存在相关性。本研究旨在利用机器学习技术检测一个可能抑郁的Twitter用户的基础上，他/她的网络行为和鸣叫。为此，我们训练和测试了分类器，以区分用户是否抑郁或不使用从他/她在网络和推文中的活动提取的特征。结果表明，使用的特征越多，检测抑郁用户的准确率和F-测量分数越高。这种方法是一种数据驱动的预测方法，用于早期检测抑郁症或其他精神疾病。本研究的主要贡献在于探索部分特征及其对抑郁水平检测的影响。
2020-03-09 cs.LG cs.SI stat.ML
Explainable Depression Detection via Head Motion Patterns
University of Canberra（堪培拉大学）；University of Glasgow（格拉斯哥大学）
该研究提出利用头部运动单元kinemes进行可解释抑郁症检测，通过两种方法提取特征并在多数据集验证，证明头部运动是有效抑郁生物标志物，取得了不错的分类性能且模式可解释。
2023-07-23 cs.CV cs.LG
Systematic Evaluation of Machine-Generated Reasoning and PHQ-9 Labeling for Depression Detection Using Large Language Models
Silicon Austria Labs（硅 Austria 实验室）；Jiangnan University（江南大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本研究系统性评估大语言模型在抑郁症检测中的推理能力，通过分解任务、对比提示及人工标注揭示弱点，并利用SFT和DPO优化，其中DPO显著提升性能。
2025-05-21 cs.CL cs.LG
A Depression Detection Method Based on Multi-Modal Feature Fusion Using Cross-Attention
School of Information Science, Guangdong University of Finance and Economics（广东财经大学信息科学学院）
针对抑郁症早期诊断难的问题，提出基于交叉注意力融合多模态特征的MFFNC网络，在测试集上达到0.9495的准确率，显著优于现有方法。
2024-07-02 cs.AI cs.CL cs.LG
Retrieval-Augmented Multimodal Depression Detection
College of Information Science and Engineering, Ritsumeikan University（信息科学与工程学院，立命馆大学）；College of Computer Science and Technology, Zhejiang University（计算机科学与技术学院，浙江大学）
针对多模态抑郁症检测中计算成本高、领域不匹配及静态知识局限的问题，提出RAG框架，利用LLM生成情感提示作为辅助模态，在AVEC 2019数据集上达到CCC 0.593和MAE 3.95的最优性能。
2025-10-29 cs.CL cs.LG
It Hears, It Sees too: Multi-Modal LLM for Depression Detection By Integrating Visual Understanding into Audio Language Models
Monash University（墨尔本大学）；Massachusetts Institute of Technology（麻省理工学院）；The University of Melbourne（墨尔本大学）
本文提出了一种多模态大语言模型框架，通过整合视觉理解到音频语言模型中，提升抑郁症检测的准确性与效率。
2025-12-11 cs.CV cs.LG cs.MM
Depression Detection Based on Electroencephalography Using a Hybrid Deep Neural Network CNN-GRU and MRMR Feature Selection
Islamic Azad University（伊斯兰阿扎德大学）；Dartmouth College（达特茅斯学院）
本文提出基于CNN-GRU和MRMR特征选择的深度学习框架，用于高准确率检测抑郁症状态。
2026-01-16 cs.LG q-bio.QM
MOGAM: A Multimodal Object-oriented Graph Attention Model for Depression Detection
Sungkyunkwan University（成均馆大学）
针对现有抑郁症检测方法跨数据类型扩展性受限的问题，提出多模态面向对象图注意力模型MOGAM，利用交叉注意力机制聚合临床确诊用户的视频博客多模态特征，在自有数据集和基准数据集上均取得优异性能，为社交媒体抑郁症早期检测提供了有效方案。
2024-03-21 cs.AI cs.CL cs.LG
From Detection to Discovery: A Closed-Loop Approach for Simultaneous and Continuous Medical Knowledge Expansion and Depression Detection on Social Media
Shenzhen University（深圳大学）；Iowa State University（爱荷华州立大学）；University of Delaware（特拉华大学）；University of Arizona（亚利桑那大学）
本研究提出LLM-知识图谱闭环框架，通过迭代循环同步实现社交媒体抑郁症检测与医学知识扩展，提升预测准确率的同时发现新的临床相关病症，为动态风险监测的自适应知识系统提供基础。
2025-10-23 cs.AI cs.CL cs.LG
Illuminate: A novel approach for depression detection with explainable analysis and proactive therapy using prompt engineering
本文提出一种基于大语言模型和提示工程的抑郁症检测与治疗方法，通过少样本提示和CBT模块实现可解释分析及主动治疗，并验证了其有效性。
2024-02-05 cs.AI cs.CL cs.LG
Depression Symptoms Modelling from Social Media Text: A Semi-supervised Learning Approach
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
基于社交媒体语言的用户级临床抑郁症建模的一个基本组成部分是抑郁症症状检测（DSD）。不幸的是，目前还没有任何DSD数据集，反映了临床见解和抑郁症症状的分布，从样本的自我披露的抑郁症人群。在我们的工作中，我们描述了一个半监督学习（SSL）框架，该框架使用初始监督学习模型，该模型利用1）在临床医生注释的DSD数据集上进一步微调的最先进的大型心理健康论坛文本预训练语言模型，2）用于DSD的零样本学习模型，并将它们结合在一起，从我们的大型自助抑郁推文库（DTR）中收集抑郁症状相关的样本。我们的临床医生注释数据集是同类中最大的。此外，DTR是从来自两个数据集的自我披露抑郁用户Twitter时间轴中的推文样本创建的，其中包括来自Twitter的用于用户级抑郁检测的最大基准数据集之一。这进一步有助于保留自我披露的Twitter用户推文的抑郁症状分布。随后，我们使用收集的数据迭代地重新训练我们的初始DSD模型。我们讨论了这个SSL过程的停止标准和限制，并阐述了在整个SSL过程中起着至关重要的作用的基础结构。我们表明，我们可以产生一个最终的数据集，这是最大的同类。此外，在其上训练的DSD和抑郁检测后（DPD）模型比其初始版本具有更高的准确性。
2022-09-28 cs.AI cs.CL cs.LG
MASON-NLP at eRisk 2023: Deep Learning-Based Detection of Depression Symptoms from Social Media Texts
George Mason University（乔治梅森大学）
本研究采用结合MentalBERT、RoBERTa和LSTM的深度学习方法，参与eRisk 2023任务1，旨在从社交媒体文本中识别与BDI问卷抑郁症状相关的句子，尽管结果低于预期，但揭示了该任务的挑战性。
2023-10-17 cs.CL cs.LG
Deep Knowledge-Infusion For Explainable Depression Detection
National Institute of Technology Kurukshetra（库鲁克谢特拉国家理工学院）
本文提出知识注入神经网络KiNN，融合抑郁症领域本体DFO和常识知识COMET，在提升检测性能的同时为临床医生提供用户级可解释性，并在多个数据集上优于MentalBERT等基线模型。
2024-09-01 cs.AI cs.CL cs.LG
ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media
Indian Institute of Technology Bombay（印度理工学院班加罗尔）
本文提出首个经临床验证的抑郁症复发检测数据集ReDepress及认知框架，融合注意偏向、解释偏向、记忆偏向和反刍等认知标记，使基于Transformer的时序模型F1达到0.86，验证了认知理论在早期复发检测中的有效性。
2025-09-22 cs.AI cs.CL cs.LG
Machine Learning Approaches for Detecting the Depression from Resting-State Electroencephalogram (EEG): A Review Study
University of Belgrade（贝尔格莱德大学）；Amsterdam Health and Technology Institute（阿姆斯特丹健康与技术研究所）；HealthInc；Universidad Complutense（康普顿斯大学）
本文综述了非线性分析与机器学习相结合在抑郁症检测或预测任务中的应用。我们专注于一个负担得起的数据驱动的方法，适用于日常临床实践，特别是那些基于脑电图（EEG）记录。在利用EEG的研究中，我们正在讨论一组用于基于静息状态EEG（检测研究）和干预研究（在其方案中使用刺激或旨在预测治疗结果）检测抑郁症的应用。最后，我们讨论和审查的指导方针，以提高可靠性的开发模型，可以服务于改善诊断和更准确的治疗抑郁症。
2019-09-06 cs.LG eess.SP nlin.CD
U-Fair: Uncertainty-based Multimodal Multitask Learning for Fairer Depression Detection
University of Cambridge（剑桥大学）；the Alan Turing Institute（艾伦·图灵研究所）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Middle East Technical University (METU)（中东技术大学）
针对抑郁症检测中机器学习的公平性与性能问题，本研究提出结合不确定性的基于性别的任务重加权多任务方法U-Fair，在提升性能与公平性的同时缓解负迁移等问题，且研究发现与PHQ-8相关大规模人群研究结果一致。
2025-01-16 cs.LG
Dynamic Graph Representation Learning for Depression Screening with Transformer
Auburn University（奥本大学）；California State University, Sacramento（加州州立大学萨克拉门托分校）；Amazon（亚马逊）
针对现有抑郁症检测依赖特征工程且忽视时变因素的问题，提出ContrastEgo框架，将用户建模为动态演化图，结合图神经网络、注意力机制和对比学习，在Twitter数据上显著优于现有方法。
2023-05-10 cs.IR cs.LG cs.SI
Synthetic Data Generation with LLM for Improved Depression Prediction
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对抑郁症自动检测的数据隐私与稀缺问题，提出基于开源LLM的思维链提示合成数据生成流程，通过两步生成合成文本平衡数据集分布，提升预测模型性能，为心理健康研究提供新方法。
2024-11-26 cs.LG
Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection
School of Internet, Anhui University（安徽大学互联网学院）；School of Computer Science and Technology, Hefei University of Technology（合肥工业大学计算机科学与技术学院）；School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院）
针对脑电图抑郁症检测中的小样本困境，提出无数据增强的评分引导分类框架，利用生成网络建模病理先验并融合深度特征，同时设计跨通道空间适应模块解决多中心数据集硬件异构问题。
2026-11-04 cs.AI cs.LG
NarrationDep: Narratives on Social Media For Automatic Depression Detection
University of Technology Sydney（悉尼科技大学）；University of New South Wales（新南威尔士大学）；University of Southampton（南安普顿大学）
针对社交媒体用户抑郁症自动检测问题，提出双层深度学习框架 NarrationDep，通过联合建模用户推文表示与推文聚类，分层学习聚类语义表示，在多种数据集上优于现有对比模型。
2024-07-24 cs.CL cs.LG
EEG machine learning with Higuchi fractal dimension and Sample Entropy as features for successful detection of depression
University of Belgrade（贝尔格莱德大学）；Amsterdam Health and Technology Institute, HealthInc（阿姆斯特丹健康与技术研究所）；Delaware State University（特拉华州立大学）；Life Activities Advancement Center（生命活动促进中心）；Institute for Experimental Phonetics and Speech Pathology（实验语音学与言语病理学研究所）；Institute for Mental Health（精神卫生研究所）；College of Medicine and Health Sciences, UAE University（阿联酋大学医学与健康科学学院）
抑郁症的可靠诊断对于最佳治疗和预防致命结局至关重要。在这项研究中，我们的目的是阐明两个非线性措施，Higuchi分形维数（HFD）和样本熵（SampEn），在检测抑郁症时，应用于脑电图的有效性。EEG信号的HFD和SampEn被用作七种机器学习算法的特征，包括多层感知器、逻辑斯谛回归、具有线性和多项式核的支持向量机、决策树、随机森林和朴素贝叶斯分类器，区分健康对照受试者和诊断为抑郁症的患者之间的EEG。我们证实了早期的观察，这两个非线性措施可以区分健康对照受试者的患者的EEG信号。结果表明，良好的分类是可能的，即使有少量的主成分。分类器的平均准确率为90.24%~ 97.56%。在这两个指标中，SampEn的表现更好。使用HFD和SampEn以及各种机器学习技术，我们可以准确区分诊断为抑郁症的患者与对照组，这可以作为诊断抑郁症的高度敏感的临床相关标志物。
2018-03-15 cs.LG q-bio.NC stat.ML
Automated speech-based screening of depression using deep convolutional neural networks
Polish-Japanese Academy of Information Technology（波兰-日本信息技术学院）；SWPS University of Social Sciences and Humanities（SWPS社会科学与人文大学）
早期发现和治疗抑郁症对于促进缓解、预防复发和减轻疾病的情感负担至关重要。目前的诊断主要是主观的，不一致的专业人士，和昂贵的个人谁可能是迫切需要帮助。本文提出了一种新的方法，自动抑郁症检测语音使用卷积神经网络（CNN）和多部分交互式训练。该模型进行了测试，使用2568语音样本从77个非抑郁症和30个抑郁症患者。在进行的实验中，数据以频谱图的形式应用于剩余CNN，从音频样本自动生成图像。使用不同的ResNet架构获得的实验结果给出了一个有希望的基线准确度达到77%。
2019-12-02 cs.CV cs.CY cs.LG
Depression detection from Social Media Bangla Text Using Recurrent Neural Networks
University of Maryland Baltimore County（马里兰大学巴尔的摩分校）；Bangladesh University of Engineering & Technology（孟加拉国工程技术大学）；University of Dhaka（达卡大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）；Jagannath University（贾格纳特大学）
本研究针对社交媒体文本中的抑郁症检测问题，对含983条孟加拉语文本的数据集应用NLP预处理与多种特征提取技术，对比LSTM、GRU等分类器效果，助力心理学家识别抑郁情绪以开展干预。
2024-12-08 cs.CL cs.HC cs.LG
Explainable Detection of Depression Status Shifts from User Digital Traces
DIMES, University of Calabria（DIMES，卡塔尔大学）
本文提出一个可解释框架，通过结合多个BERT模型提取多维信号，构建用户轨迹以识别抑郁状态转变，利用大语言模型生成可读报告，提升解释性。
2026-05-14 cs.AI cs.CL cs.LG
Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection
University of Zagreb Faculty of Electrical Engineering and Computing（Zagreb大学电子工程与计算学院）
本研究通过多种事后可解释性方法（如DeepSHAP、集成梯度、GradCAM、遮挡和置换特征重要性）分析InceptionTime架构在脑电图抑郁症检测中的决策过程，发现不同方法在额叶、颞叶和后部脑区（尤其是右半球）的归因模式部分收敛，但方法间存在差异，强调了事后可解释性的有用性和局限性。
2026-05-27 cs.AI cs.LG
A Text Classification Framework for Simple and Effective Early Depression Detection Over Social Media Streams
Universidad Nacional de San Luis (UNSL)（圣路易斯国立大学）；Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)（国家科学技术研究委员会）；Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE)（国家天体物理、光学与电子研究所）
针对社交媒体早期风险检测的数据流处理、适时分类及决策可解释需求，提出新型文本分类监督模型SS3，在eRisk2017早期抑郁检测任务上以更低计算成本超越多数先进方法。
2024-04-17 cs.CL cs.CY cs.IR
