研究背景
为什么要让 AI "听"抑郁？
COVID-19 后抑郁病例上升，传统量表评估耗时且受回忆偏差影响。语音是一种低负担行为标记——抑郁人群在单调度、语速、韵律等方面可能出现差异，但过去方法多依赖单一维度特征，可能忽略语音"多层次"信息。不同特征的形态与尺寸差异很大，直接拼接并不容易。ABAFnet 试图解决两个问题：如何分别提取不同角度的声音线索，以及如何让模型自己学会给每个角度分配合适的权重。
ABAFnet 融合 4 类声学特征，在临床中文朗读语音上达到 AUC 0.85 ± 0.04
COVID-19 后抑郁病例上升，传统量表评估耗时且受回忆偏差影响。语音是一种低负担行为标记——抑郁人群在单调度、语速、韵律等方面可能出现差异，但过去方法多依赖单一维度特征，可能忽略语音"多层次"信息。不同特征的形态与尺寸差异很大，直接拼接并不容易。ABAFnet 试图解决两个问题：如何分别提取不同角度的声音线索，以及如何让模型自己学会给每个角度分配合适的权重。
把一段朗读语音想成一部"电影"：它既有随时间变化的剧情，也有不同频率上的"画面纹理"。ABAFnet 从四个角度"截屏"，再让模型学会在不同情境下给每个角度分配合适的权重。
Type-Adaptive CNN：对"图像型"与"向量型"特征分别用不同卷积方式处理，像给不同材料选不同刀具
LSTM + Attention：用 LSTM 捕捉长短期依赖，再用注意力对关键时间片段高亮
线性融合 + 动态权重：权重不固定，根据训练评价指标自动调整各通道重要性
只看一种"声音线索"不够稳。融合后 ACC 0.81±0.04、AUC 0.85±0.04；而单一特征中表现最好的 Mel-spectrogram 仅达 ACC 0.75±0.05、AUC 0.80±0.03。不同特征携带互补信息，融合策略更适合真实语音里复杂、异质的抑郁线索。
AUC 对比（CNRAC 二分类，10 折交叉验证均值）
模型不仅能做"有没有抑郁"，也能区分一定程度的严重度，但任务难度不一样。"NC vs Moderate" AUC 达到 0.95±0.04；而"Inter-Subtype（如 Mild vs Moderate）" AUC 为 0.79±0.22，标准差更大。语音线索对"健康与中重度差异"更敏感，相邻严重度之间差异更细微、模型更容易波动。
消融实验：去掉 LSTM 后 ACC 从 0.81 降到 0.65，F1 从 0.70 降到 0.48；去掉 DWA 则 Precision 与 F1 降到约 0.5。在 HSFs 的统计检验中，32 个显著差异特征里 MFCC 相关占 43.75 %、Mel 谱相关占 43.75 %，合计 87.5 %。与人耳感知相关的 Mel/MFCC 线索是语音抑郁检测里更稳定的"信号来源"。
32 个显著差异 HSF 特征的类别占比
在 CNRAC 上，融合模型优于多种对比深度模型；迁移验证 ACC 0.89±0.02、F1 0.89±0.03
结合标准化录音流程，ABAFnet 可能用于大规模筛查的初筛环节，但需更多多中心数据与真实流程验证
外部验证受限：CS-NRAC 中抑郁样本较少，PHQ-9 阈值划分本身存在可靠性讨论。
训练耗时更长：需提取并处理四类特征，比端到端模型训练耗时更长。
人群差异仍需关注：不同性别/年龄子群的 Accuracy 存在差异，需更均衡数据验证。
本页面仅用于科研科普与方法解读，不构成医疗建议或诊断依据。若你或身边的人正在经历情绪困扰，请及时联系专业医疗机构或心理健康服务。