基于深度学习进行多平台语音交互的抑郁症监测系统.pdf

灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月0引言抑郁症是一种常见的精神疾病袁全世界有三亿多人患有抑郁症袁而中国的患者人数大概在九千万1遥该疾病会导致个体产生各种负面状态袁 如持续悲浙江工商职业技术学院学报允燥怎则灶葬造 o枣 在澡藻躁蚤葬灶早 月怎泽蚤灶藻泽泽 栽藻糟澡灶燥造燥早赠 陨灶泽贼蚤贼怎贼藻Depression Monitoring SystemBased on Deep Learning for Multi-platform Speech InteractionWU Wei1WANG Qi-xiang2MA Long-hua1袁2ZHAO Xiang-hong2渊1.Zhejiang Sci-Tech University袁 Hangzhou 310018袁 China曰 2.Ningbo Tech University袁 Ningbo 315100袁 China冤粤遭泽贼则葬糟贼院 A depression monitoring system was designed to address the subjectivity and high cost issues of currentmainstream depression diagnostic methods.The system utilizes multi-platform speech collection and analysis andproposes a neural network model for depression detection.Speech signals are collected through web pages袁 miniprograms and mobile applications and uploaded to cloud servers.The prediction results are then fed back to theclient for display.In addition to these three different channels for collecting speeches袁 the system can also expandto other methods of speech collection.The proposed neural network model was compared with five other classicalmodels and achieved an average accuracy of 89.6%on the test set of publicly available depression speech data袁which improved by 15.25%袁 14.31%袁 10.39%袁 13.23%and 14.71%compared to support vector machine袁 lineardiscriminant algorithm袁 K-nearest neighbor algorithm袁 random forest algorithm and logistic regression algorithm re鄄spectively.After the trained model was deployed to the server袁 the average prediction accuracy of 78 participantsusing the system reached 82.6%.Therefore袁 the system is a low-cost袁 objective and non-invasive mental diagno鄄sis solution that can improve the accuracy of depression diagnosis.运藻赠 憎燥则凿泽院 depression detection曰 speech曰 neural network model曰 low-cost曰 mental diagnostic solution基于深度学习进行多平台语音交互的抑郁症监测系统吴伟1王琦翔2马龙华1袁2赵祥红2渊1.浙江理工大学袁 浙江 杭州310018曰 2.浙大宁波理工学院袁 浙江 宁波315100冤摘要：针对目前主流的抑郁诊断方法存在主观性较强或成本较高的问题袁设计了一个多平台语音收集和分析的抑郁症监测系统袁并提出一种针对抑郁症检测的神经网络模型遥此系统通过网页尧小程序和手机应用程序收集语音信号袁然后上传到云端服务器袁最后将预测结果反馈到客户端显示遥 除了以上三种不同的渠道采集语音以外袁该系统可以扩展其他收集语音的方法遥并且也将提出的神经网络模型与另外五种经典的模型进行比较袁提出的模型在公开的抑郁症语音数据的测试集上平均准确率达到 89.6%袁相比于支持向量机尧线性判别算法尧K 邻近算法尧随机森林算法和逻辑回归算法分别提高15.25%尧14.31%尧10.39%尧13.23%和 14.71%遥 将训练好的模型部署到服务器上袁78 个参与者使用该系统后袁统计预测的平均准确率达到 82.6%遥 因此袁该系统是一种低成本尧客观且非侵入的精神诊断方案袁可以提高抑郁症的诊断准确率遥关键词院抑郁症检测曰 语音曰 神经网络模型曰 低成本曰 精神诊断方案中图分类号院TP181文献标识码院粤文章编号院1671-9565渊2023冤03-045-06收稿日期院2023-06-07基金项目院国家自然科学基金项目野大数据环境下的用户隐私保护与系统风险控制的融合问题研究冶渊编号 61972350冤袁宁波市自然科学基金项目野一种多模态隐式可穿戴心理压力监测方法冶渊编号 2022J165冤阶段性研究成果遥作者简介院吴伟渊1999-冤袁男袁安徽安庆人袁浙江理工大学硕士研究生袁主要从事机器学习和嵌入式开发方面研究曰王琦翔渊2002-冤袁男袁安徽黄山人袁浙大宁波理工学院本科生袁主要从事数据挖掘和处理方面研究曰马龙华渊通讯作者冤渊1965-冤袁男袁浙江东阳人袁浙大宁波理工学院教授袁主要从事复杂系统综合集成建模方面研究曰赵祥红渊1981-冤袁男袁湖北天门人袁浙大宁波理工学院副教授袁主要从事机器学习和生物医学信号方面研究遥窑45窑灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月伤尧失去兴趣尧疲劳尧失眠尧食欲改变以及对自我价值的否定等生理和心理症状2遥 长期的抑郁症可能会导致严重的健康问题袁如心血管疾病尧糖尿病尧肥胖以及自杀行为3遥 然而在现实中许多患者未能得到及时的诊断和治疗袁其中原因主要包括患者不清楚自身是否存在精神问题袁或者对寻求帮助感到害怕或羞耻遥 因此袁有效的抑郁症检测方法对于改善抑郁症患者的生活质量具有重要意义遥在过去的几十年中袁许多研究人员已经尝试开发各种抑郁症检测工具遥 自评量表是其中最常用的一种方法袁 例如贝克抑郁自评量表 渊Beck Depression In鄄ventory袁简称 BDI冤4和汉密尔顿抑郁量表渊HamiltonDepression Rating Scale袁 简称 HDRS冤等5遥 这些量表主要基于患者自述的症状和表现进行评估袁具有简单易行尧成本低廉等优势遥 但这些量表也存在一定的局限性袁 会受到患者主观因素的干扰和社会期望的影响遥 虽然部分的生物标志物和神经影像技术在抑郁症检测中已显示出潜力袁但它们的成本较高袁且局限于实验室环境6遥 科斯拉渊Khosla冤等7将传统的抑郁症检测与利用深度学习方法进行了对比分析袁发现传统的方法较为主观尧繁琐且昂贵袁而基于深度学习技术进行抑郁症检测的研究是一个客观尧科学的新兴领域遥人们越来越关注在健康和疾病的检测和监测中使用数据驱动方法遥 宋渊Song冤等8提出了一种基于脑电数据实现端到端抑郁症检测的深度学习模型袁有效地提高了诊断的准确率遥 语音是一种能够用于诊断和监测精神健康障碍的研究数据遥 申渊Shin冤等9提出语音可以作为抑郁症的生物标志物遥毛渊Mao冤等10在医院协助下收集了一个中文语音的抑郁症数据袁并利用机器学习实现了抑郁症的自动筛查遥 机器学习技术可以自动从大量数据中学习有关抑郁症的特征袁从而实现对患者快速尧准确的诊断11遥现如今智能设备越来越普及袁将一种集语音数据采集尧云端分析和结果反馈于一体的系统部署在服务器和智能设备上袁可以及时尧便捷而低成本地检测抑郁症遥 智能设备会提供一个机会来增强当前精神健康评估效果并绕过与其相关的许多限制袁为抑郁症的诊断和治疗提供更好的支持和服务遥1材料与方法本实验旨在开发一个利用语音信号进行抑郁症监测的系统遥 此系统主要包括语音数据上传尧云端服务器分析和结果反馈显示功能遥 同时袁本文还提出了一种新的神经网络模型袁可以提高抑郁症检测的准确率遥 图 1 展示了本实验的系统框图遥 语音收集部分是利用网页尧小程序和手机应用程序渊Ap鄄plication袁 简称 APP冤并行采集用户的声音袁然后将采集的语音数据发送到云端服务器遥 系统的服务器中部署了抑郁症预测的相关算法和经过训练的模型袁以便及时尧准确地向用户返回检测结果遥 这样用户可以了解自己的精神状态变化情况遥 本系统具有便捷尧低成本的特点袁同时还能帮助医生更准确地诊断患者是否患有抑郁症遥 此外袁该系统还能监测患者的治疗效果袁帮助医生更全面地了解患者的病情和治疗进展袁以便及时调整治疗方案遥1.1 语音采集和反馈显示为了实现多种途径采集语音的方法袁本实验设计了用户自主采集语音的网页尧小程序和手机应用程序遥 这三种方法采集的语音将在服务器上的同一个模型中进行分析预测袁 并将预测结果反馈给用户所使用的客户端遥 图 2 展示了采集语音的方法以及服务器反馈预测结果的工作流程遥 这三种采集方法的采样率为 44.1kHz袁单声道袁并且录音时间由用户自行决定遥 在实验过程中袁本实验秉持自由自主的原则袁并严格遵守相关法律法规袁确保用户数据的安全遥1.2 语音数据及模型1.2.1 抑郁症语音数据集遥 设计的系统由于需要在服务器中部署抑郁症检测模型袁所以通过选用有效且公开的抑郁症语音数据去训练模型遥 本实验所使用的数据集是同济大学采集并制作的情感语音-文本抑郁症语料库渊Emotional audio-textual de鄄吴伟王琦翔马龙华赵祥红院基于深度学习进行多平台语音交互的抑郁症监测系统图 1抑郁症监测系统框图图 2语音采集和服务器反馈预测结果的工作流程窑46窑灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月pression corpus袁 简称 EATD-Corpus冤12袁 主要选取其中的中文语音数据遥 参与实验的志愿者在知情同意的基础上袁回答三个随机选择的问题袁并填写一份抑郁自评量表渊Self-rating depression scale袁简称SDS冤问卷13遥 表 1 显示了 EATD-Corpus 数据集的大致分布情况袁其中健康和抑郁的人数分别为 130 和30袁 且对每个用户都采集了 3 个原始的语音片段遥每个原始的语音都进行去噪等处理袁从而得到对应处理后的语音遥1.2.2 数据增强和特征提取遥 根据表 1 中EATD-Corpus 数据集中抑郁组和健康组的人数分布情况袁可以发现该语音数据中健康和抑郁的数据量差别很大袁这在一定程度上会影响模型的预测结果遥 这主要是因为模型此时学习到的参数更多的是健康的特征遥 因此训练模型之前需要平衡数据袁进行数据增强袁使得健康和抑郁的比例接近 1颐1遥 采用的方法主要是将每个抑郁的语音按每三秒进行分割袁最后不足三秒的语音将被舍弃遥 而对于健康的语音袁 只选取其中一部分语音执行上述操作遥 图 3展示了语音分割的示意图遥 由于所有待分割语音的时长不相同袁所以不同语音分割后得到的样本个数也不同遥 通过这样的处理后袁得到的数据集中健康和抑郁的比例为 28颐23袁相对于原始数据的 13颐3袁更加接近 1颐1遥 这样模型学习到的参数更能区分健康和抑郁的语音遥梅尔频率倒谱系数渊Mel frequency cepstral co鄄efficients袁 简称 MFCC冤是一种常用于语音信号处理和语音识别的特征袁并且一些研究表明 MFCC 能够有效地捕捉到与抑郁症相关的特征参数14遥 图 4 是从语音信号中提取 MFCC 特征的流程图遥为了将语音信号的高频部分加强袁对原始语音进行预加重袁预加重公式如式渊1冤所示院y渊n冤=x渊n冤-琢x渊n-1冤渊1冤其中 x渊n冤是语音的原始信号袁琢 是预加重系数遥 然后对连续信号进行分帧袁 为了减少帧边缘的不连续性袁对每帧应用一个窗函数袁其中加窗公式如式渊2冤所示院w渊n冤=h渊n冤 窑 g渊n冤渊2冤其中 w渊n冤是加窗后的信号袁h渊n冤是窗函数袁g渊n冤是分帧后的信号遥 接下来对加窗后的信号进行快速傅里叶变换袁得到频谱遥 快速傅里叶变换公式如式渊3冤所示院X渊k冤=移N-1n=0w渊n冤e-2仔ik/N袁0臆k臆N渊3冤其中 N 表示快速傅里叶变换的点数袁X渊k冤是快速傅里叶变换的输出遥 之后利用三角滤波器进行滤波袁并且计算出每组三角滤波器的对数能量遥 三角滤波器的频率响应公式和计算对数能量公式如式渊4冤和式渊5冤所示院Hm渊k冤=0kf渊m-1冤k-f渊m-1冤f渊m冤-f渊m-1冤f渊m-1冤臆kf渊m冤1k=f渊m冤f渊m+1冤-kf渊m+1冤-f渊m冤f渊m冤f渊m+1冤扇墒设设设设设设设设设设设缮设设设设设设设设设设设渊4冤s渊m冤=ln渊N-1k=0移|X渊k冤|2Hm渊k冤冤袁0臆m臆M渊5冤在式渊4冤的 f渊m冤是第 m 个三角滤波器的中心频率袁Hm渊k冤是第 k 个频率响应的输出遥 在式渊5冤中 M 是三角滤波器的数量袁s渊m冤是对数能量的输出遥 最后将对数能量经过离散余弦变换袁得到 MFCC 特征系数遥 离散余弦变换公式如式渊6冤所示院C渊n冤=N-1m=0移s渊m冤cos渊仔n渊m-0.5冤M冤袁n=1袁2袁噎袁L渊6冤其中 C渊n冤是 MFCC 系数袁L 是 MFCC 系数的数量遥然而袁在数据增强后的数据集中袁语音的时长不是完全相同的遥 如果对这些语音直接提取 MFCC 特征袁那么得到的参数维度是不同的遥 为了保持模型输入特征维度的一致性袁 在提取 MFCC 特征时袁将提取的特征维度设置为 128遥浙江工商职业技术学院学报表 1EATD-Corpus 数据集的分布情况特征抑郁组健康组人数30130语音个数66图 3语音分割示意图图 4提取 MFCC 特征的流程图窑47窑灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月1.2.3 抑郁症检测的神经网络模型遥 深度学习中的卷积神经网络渊Convolutional neural networks袁简称 CNN冤 是一种能够处理网格状数据的神经网络袁主要应用于图像尧语音尧文本尧视频等领域遥 由于CNN 能够充分利用数据的空间结构信息袁因此在图像和视频处理领域中得到了广泛应用遥 CNN 可以自动提取输入数据中的特征袁并且在卷积过程中可以使用不同的卷积核来提取不同的特征遥 在本实验中袁将提取的 MFCC 特征输入到神经网络中袁这样CNN 可以通过学习其中包含抑郁和非抑郁的语音数据的相关参数袁 从而对未知的语音数据进行分类遥 图 5 展示了提出的神经网络模型的结构遥由于在提取 MFCC 特征时袁得到的特征数据维度为一维序列袁 所以提出的模型选用一维卷积渊1Dimension convolutional袁 简称 1DConv冤层遥 网络框架中的激活函数为线性整流函数 渊Linear rectifica鄄tion function袁 简称 ReLU冤袁ReLU 的激活函数公式如式渊7冤所示院f渊x冤=max渊0袁x冤渊7冤其中 x 是神经网络中某一层的输出结果遥 ReLU 激活函数能够在一定程度上避免梯度消失问题袁提高神经网络的训练速度和效果袁可以增强模型的泛化能力遥 最大池化层渊Max Pooling Layer冤是一种常用的池化操作袁通常被用于卷积神经网络中遥 最大池化层将输入张量中的每个小区域取最大值作为输出袁从而减少特征图的维度和计算量袁同时保留输入特征中最显著的部分遥根据本实验的数据特点袁选用的是一维最大池化层 渊1 Dimension max poolinglayer袁简称 MaxPooling1D冤遥 为了减少过拟合问题袁采用正则化技术袁即 Dropout遥Dropout 在每次训练迭代中袁以一定的概率 p 随机地将某些神经元的输出设置为 0袁 从而使得这些神经元在这次迭代中不参与计算遥 这样做的效果相当于从原始的神经网络中随机抽取一部分神经元袁 构建出一个新的子网络袁然后在这个子网络上进行训练遥 由于每个迭代中使用的是不同的子网络袁因此可以有效地减少神经元之间的相互依赖性袁防止过拟合遥 输入的数据经过多个卷积层和最大池化层后袁 再通过全连接层袁最后利用 softmax 激活函数进行分类遥 Softmax 激活函数公式如式渊8冤所示院softmax渊zi冤=ezi移nj=1ezj渊8冤其中 zi为第 i 个节点的输出值袁n 为分类的类别数遥根据 softmax 公式的特点可知袁 该激活函数可以将分类的输出值转换到范围在0袁1的概率值袁并且所有类别的概率值之和为 1遥 模型在训练过程时选用的损失函数为分类交叉熵损失函数遥 这个损失函数一般搭配 softmax 激活函数使用袁 分类交叉熵损失函数的公式如式渊9冤所示院Loss=-ni=1移yi窑 logy軇i渊9冤其中 yi是真实标签中类别 i 的概率袁 y軇i是模型输出中类别 i 的概率袁n 是类别的数量遥 模型通过反向传播更新模型参数袁 目的是最小化损失函数的值袁从而提高模型的准确率遥2实验和结果分析本实验中主要利用所提出的神经网络模型对抑郁症进行检测袁并且与五种经典的模型进行对比袁即支持向量机渊Support vector machine袁简称 SVM冤袁线性判别算法渊Linear discriminant analysis袁简称 LDA冤袁K 邻近算法渊K Nearest neighbors袁简称 KNN冤袁随机森林算法渊Random forest袁简称 RF冤袁逻辑回归算法渊Logistic Regression袁简称 LR冤遥在进行抑郁检测之前袁将原始的语音信号按照前文所提出的语音分割方法进行处理袁然后对分割后的语音提取 MFCC 特征袁最后利用各种模型进行预测遥 经过一系列实验袁在表 2 中列举了这六种模型的分类评估结果袁包括精度值尧召回率尧F1 分数和准确率遥 通过分析这些结果袁可以发现五种经典的模型在抑郁样本上相对于在健康样本上的模型表现更好袁传统的模型对健康样本的检测存在一定的缺陷遥 本文提出的神经网络模型无论是在健康样本还是抑郁样本上所对应的精度值尧 召回率和 F1 分数都能达到百分之八九十遥 并且所提出的神经网络模型在测试集上抑郁症检测的平均准确率高达89.6%袁 而其他模型的平均准确率主要集中在百分之七十多遥在图 6 中展示了六种模型在测试集上分别对应的混淆矩阵袁每个混淆矩阵图中横向上的标签表示预测情况袁 纵向上的标签表示真实情况遥 从图 6吴伟王琦翔马龙华赵祥红院基于深度学习进行多平台语音交互的抑郁症监测系统图 5提出的抑郁症检测的神经网络模型结构窑48窑灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月中可以发现提出的神经网络模型在区分健康和抑郁样本方面表现更好袁其中被错误检测的样本数相对较少遥 因此提出的神经网络模型比其他经典的模型在抑郁症检测上的性能表现更加具有优势遥 模型中浅层的卷积网络既可以有效地避免过拟合袁也能利用空间思维从语音的 MFCC 特征图学到抑郁的相关参数袁然后通过全连接层进行降维袁最后实现较为准确的健康和抑郁的分类遥用 EATD-Corpus 数据集的语音信号去训练所提出的神经网络模型袁将训练好的模型保存为后缀是 h5 的文件格式遥 接下来将训练好的模型部署到云端服务器袁用户通过三种途径采集且上传语音到服务器遥 图 7 展示了三种收集语音方法的部分操作界面遥 服务器将调用模型对语音进行预测袁并向用户返回检测结果遥 在知情同意的前提下袁本实验组织了 78 个参与者使用此系统遥 在医生的协助下袁利用常用的汉密尔顿抑郁量表进行评估袁参与者通过了医疗检测仪器进行检测遥 医生最后也同参与者进行了交谈诊断袁 从而确定参与者中有 47 个健康用户和 31 个抑郁用户遥 在使用此系统录音时参与者主要回答几个问题袁主要包括院个人兴趣尧个人喜好尧对待某些事的态度等遥 接着也将采集的语音用其他五种经典模型进行预测遥 图 8 是统计后六种模型的抑郁症预测准确率袁可以发现提出的模型在不同情况下抑郁症检测的效果都较为优异遥 因此袁该抑郁症监测系统在实际应用中具有一定的可靠性和灵活性遥图 8六种模型在采集的语音上抑郁症预测准确率图 7三种收集语音方法的操作界面浙江工商职业技术学院学报表 2六种模型的分类评估结果模型类别精度值召回率F1 分数支持向量机(SVM)健康0.750.820.78抑郁0.730.650.68准确率0.74线性判别算法(LDA)健康0.760.830.79抑郁0.740.650.69准确率0.75K 邻近算法(KNN)健康0.760.930.84抑郁0.870.610.72准确率0.79随机森林算法(RF)健康0.750.870.81抑郁0.780.620.69准确率0.76逻辑回归算法(LR)健康0.760.820.79抑郁0.730.650.69准确率0.75提出的模型健康0.940.880.91抑郁0.850.920.88准确率0.90图 6六种模型在测试集上对应的混淆矩阵窑49窑灾燥造援22 晕燥援3Sep援 圆园23第 22 卷第 3 期圆园23 年 9 月3结论本文设计了一个便捷尧及时且低成本的抑郁症监测系统袁通过网页尧小程序和手机应用程序采集并上传语音袁然后通过云端服务器预测结果并反馈给用户遥 服务器端部署了一个提出的神经网络模型遥 训练后的模型在公开数据的测试集上进行抑郁症检测袁提出模型的平均准确率达到 89.6%袁相比于支持向量机尧线性判别算法尧K 邻近算法尧随机森林算法和逻辑回归算法分别提高 15.25%尧14.31%尧10.39%尧13.23%和 14.71%遥 并且在组织的参与者中进行抑郁症检测时袁提出的模型的统计平均准确率达到 82.6%袁 高于上述其他经典模型的平均准确率分别为 15.5%尧10.1%尧6.9%尧12.8%和 9.2%袁 因此提出的模型在抑郁症检测方面表现更佳遥 此系统是一种非侵入性且无需面对面会诊的监测方案袁实现了对语音信号的自动化处理袁为用户检测和医生诊断提供了一种辅助性的检测方案遥参考文献院1Sardari S袁 Nakisa B袁 Rastgoo M N袁 et al.Au鄄dio based depression detection using Convolu鄄tional AutoencoderJ.Expert Systems with Appli鄄cations袁2022袁189院116076.2Bader C S袁 Skurla M袁 Vahia I V.Technologyin the assessment袁 treatment袁 and managementof depressionJ.Harvard Review of Psychiatry袁2020袁28渊1冤院60-66.3戚玲瑜袁谢春明.抑郁症自杀相关的神经影像学研究J.中华行为医学与脑科学杂志袁2021袁30渊4冤院6.4Almeida S袁 Camacho M袁 Barahona-Corr俸a J B袁et al.Criterionandconstructvalidityof theBeck Depression Inventory 渊BDI-II冤 to measuredepression in patients with cancer院The contribu鄄tion of somatic items J.International Journal ofClinicalandHealthPsychology袁2023袁23 渊2冤院100350.5Williams J B W.A structured interview guide forthe Hamilton Depression Rating ScaleJ.Archivesof general psychiatry袁1988袁45渊8冤院 742-747.6王馨苑袁刘琰袁谭曦.抑郁症脑成像技术和核脑影像成像技术的研究进展J.中国全科医学袁2021袁24渊21冤院6.7Khosla A袁 Khandnor P袁 Chand T.Automateddiagnosis of depression from EEG signals usingtraditional and deep learning approaches院A com鄄parative analysisJ.Biocybernetics and BiomedicalEngineering袁2022袁42渊1冤院108-142.8Song X W袁 Yan D D袁 Zhao L L袁 et al.LS鄄DD-EEGNet院An efficient end-to-end frame鄄workforEEG-baseddepressiondetection J.Biomedi calSignalProcessingandControl袁2022袁75院103612.9Shin D袁 Cho W I袁 Park C H K袁 et al.Detec鄄tionofminorandmajordepressionthroughvoice as a biomarker using machine learningJ.Journal of clinical medicine袁2021袁10渊14冤院3046.10Mao K袁 Wang D B袁 Zheng T袁 et al.Analysisof Automated Clinical Depression Diagnosis in aChinese CorpusJ.IEEE Transactions on Biomedi鄄cal Circuits and Systems袁2023.11刘丹袁叶婧仪袁李玲.基于机器学习的抑郁症特征提取与实现J.实验技术与管理袁2022袁渊4冤院39.12Shen Y袁Yang H袁Lin L.Automatic depressiondetection院 An emotional audio-textual corpusand a gru/bilstm-based modelC./ICASSP 2022-2022 IEEE International Conference on Acous鄄tics袁SpeechandSignalProcessing渊ICASSP冤.IEEE袁2022院6247-6251.13许乃红.正念认知疗法对抑郁症患者 SDS 评分及生活质量的改善作用J.甘肃科技袁2022袁38渊16冤院3.14Rejaibi E袁 Komaty A袁 Meriaudeau F袁 et al.MFCC-based recurrent neural network for au鄄tomatic clinical depression recognition and as鄄sessment from speech J.Biomedical Signal Pro鄄cessing and Control袁2022袁71院103107.揖责任编辑院黄素华铱吴伟王琦翔马龙华赵祥红院基于深度学习进行多平台语音交互的抑郁症监测系统窑50窑