基于多特征融合的抑郁症识别模型构建

doi:10.3969/j.issn.1006-2475.2025.03.001

摘要/Abstract

摘要： 近年来抑郁症已成为全球心理健康负担的首要问题，为了对其进行识别，提出一种融合BERT、BiLSTM和ConvNeXt的抑郁症识别模型。首先，利用BERT模型生成具有丰富语义的特征向量；其次，使用BiLSTM模型获取文本的上下文信息以及使用ConvNeXt模型获取文本的局部特征；再次，为了缓解特征提取过程中语义信息的丢失，将BiLSTM和ConvNeXt模型学习到的上下文特征和局部特征通过残差连接进行融合；最后，根据融合的特征信息进行抑郁症的识别。实验结果表明，本文所提出的模型相较于其他几种深度学习模型在准确率、召回率和F1值上均有提升，且能有效提取文本中的抑郁特征，提高抑郁症识别的准确率。

关键词: 抑郁症, BERT, BiLSTM, ConvNeXt, 识别

Abstract: In recent years， depression has become the primary problem of global mental health burden. In order to identify it， this paper proposes a depression recognition model combining BERT， BiLSTM and ConvNeXt. Firstly， the BERT model is used to generate feature vectors with rich semantics. Secondly， the BiLSTM， and ConvNeXt model is used to obtain the context information and the local features of the text， respectively. Thirdly， to alleviate the loss of semantic information in the feature extraction process， the context and local learned by BiLSTM and ConvNeXt models are fused through residual connections. Finally， depression is recognized according to the fused feature information. The experimental results show that the proposed model improves the accuracy， recall and F1 value compared with other deep learning models， which can effectively extract the depression features of the text and improve the accuracy of depression recognition.

Key words: , depression； BERT； BiLSTM； ConvNeXt； recognition

中图分类号:

侯梦晗, 韦昌法. 基于多特征融合的抑郁症识别模型构建[J]. 计算机与现代化, 2025, 0(03): 1-5.

HOU Menghan, WEI Changfa. Construction of Depression Recognition Model Based on Multi-Feature Fusion[J]. Computer and Modernization, 2025, 0(03): 1-5.

参考文献

［1］蔡小溪，龚英龙，周志焕. 抑郁症对认知功能损害及中医药干预作用［J］. 辽宁中医药大学学报， 2019，21（10）：99-102.
［2］ World Health Organization. Depression and other common mental disorders： Global health estimates［R］. Geneva： World Health Organization， 2017.
［3］抑郁研究所.《2022年国民抑郁症蓝皮书》［EB/OL］. （2022-10-08）［2024-05-20］. https：//zhuanlan.zhihu.com/
p/571432462.
［4］ CACHEDA F， FERNANDEZ D， NOVOA F J， et al. Early detection of depression： Social network analysis and random forest techniques［J］. Journal of Medical Internet Research， 2019，21（6）. DOI： 10.2196/12554.
［5］ ALSAGRI H S， YKHLEF M. Machine learning-based approach for depression detection in Twitter using content and activity features［J］. IEICE Transactions on Information and Systems， 2020，103（8）：1825-1832.
［6］刘定平，张雪燕. 基于社交网络信息的用户抑郁症倾向识别［J］. 统计理论与实践， 2021（9）：14-21.
［7］ CHIONG R， BUDHI G S， DHAKAL S， et al. A textual-based featuring approach for depression detection using machine learning classifiers and social media texts［J］. Computers in Biology and Medicine， 2021，135. DOI： 10.1016/j.compbiomed.2021.104499.
［8］ OH J， LEE T， CHUNG E S， et al. Development of depression detection algorithm using text scripts of routine psychiatric interview［J］. Frontiers in Psychiatry， 2024，14. DOI： 10.3389/fpsyt.2023.1256571.
［9］ DING Y， CHEN X M， FU Q M， et al. A depression recognition method for college students using deep integrated support vector algorithm［J］. IEEE Access， 2020，8：75616
-75629.
［10］ MUSLEH D A， ALKHALES T A， ALMAKKI R A， et al. Twitter Arabic sentiment analysis to detect depression using machine learning［J］. Computers， Materials & Continua， 2022，71（2）：3463-3477.
［11］ AMANAT A， RIZWAN M， JAVED A R， et al. Deep learning for depression detection from textual data［J］. Electronics， 2022，11（5）：2079-9292.
［12］安正一. 基于多信息融合的社交媒体抑郁障碍检测研究［D］. 兰州：兰州大学， 2023.
［13］ CUI B， WANG J， LIN H， et al. Emotion-based reinforcement attention network for depression detection on social media： Algorithm development and validation［J］. JMIR Medical Informatics， 2022，10（8）：e37818.
［14］ SHI Y， TIAN Y， TONG C W， et al. Detect depression from social networks with sentiment knowledge sharing［C］// Proceedings of Chinese National Conference on Social Media Processing. Springer， 2023：133-146.
［15］ TIWARI S S， PANDEY R， DEEPAK A， et al. An ensemble approach to detect depression from social media platform： E-CLS［J］. Multimedia Tools and Applications， 2024，83：71001-71033.
［16］ PRABHAKAR K， KAVITHA V. An evolutionary approach for depression detection from Twitter big data using a novel deep learning model with attention based feature learning mechanism［J］. Automatika， 2024，65（2）：441-453.
［17］聂卉，吴晓燕. 基于在线医疗咨询文本的抑郁症症状短语的自动识别［J］. 现代情报， 2023，43（9）：63-73.
［18］ LIU Y. Depression detection via a Chinese social media platform： A novel causal relation-aware deep learning approach［J］. The Journal of Supercomputing， 2023，80（8）：1-30.
［19］ DEVLIN J， CHANG M W， LEE K， et al. BERT： Pre-training of deep bidirectional transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies. ACL， 2019：4171-4186.
［20］游嘉靖，何月顺，何璘琳，等. 基于AHP-CNN的加密流量分类方法［J］. 计算机与现代化， 2024（4）：83-87.
［21］田爱宝，魏娇娇，肖军弼. 基于Transformer的网络流量预测研究［J］. 信息技术， 2024（4）：156-160.
［22］隗昊，刁宏悦，孔亮宸，等. 东北亚舆情文本细粒度命名实体识别方法研究［J］. 计算机工程， 2024，50（5）：354-362.
［23］ HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997，9：1735-1780.
［24］肖梦思，吴建斌，涂雅蒙，等. 基于I-ConvNeXt的GAN生成人脸图像鉴别方法［J］. 计算机与现代化， 2024（4）：38-42.
［25］ LIU Z. MAO H Z， WU C Y， et al. A ConvNet for the 2020s［C］// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2022：11966-11976.
［26］马晓，董天亮，钟闻宇，等. 基于改进ConvNeXt的大豆叶片病害分类研究［J］. 大豆科学， 2023，42（6）：733-741.
［27］ WANG H L， WU Z Z， LANG J Y. 派特心理：心理咨询问答语料库［EB/OL］. （2020-04-22）［2024-05-20］. https：
//github.com/chatopera/efaqa-corpus-zh.

[1]	郑久超, 赵新元. 基于主题与描述信息的实体链接方法[J]. 计算机与现代化, 2024, 0(12): 10-14.
[2]	马钰, 杨勇, 任鸽, 帕力旦·吐尔逊. 基于GCN和微调BERT的作文自动评分方法[J]. 计算机与现代化, 2024, 0(09): 33-37.
[3]	赵盾1, 佘学兵2, 邬昌兴3. 基于BERT-BiLSTM-CRF党建领域命名实体识别[J]. 计算机与现代化, 2024, 0(09): 91-94.
[4]	何若男1, 范翔2, 陈益1, 姜羽菲1, 曹辉1. 比例优势逻辑回归优化嗓音障碍指数算法[J]. 计算机与现代化, 2024, 0(08): 1-4.
[5]	秦阳, 詹勇, 明路遥, 杨舒淇, 蓝振祎. 基于改进K-means算法的通勤交通小区识别[J]. 计算机与现代化, 2024, 0(07): 63-68.
[6]	郭泽昕, 钟国韵, 何剑锋, 张军. 基于深度学习的超市果蔬检索方法[J]. 计算机与现代化, 2024, 0(04): 60-65.
[7]	袁莉1, 2, 刘敦龙1, 2, 桑学佳1, 2, 张少杰3, 陈乔4. 基于改进AlexNet网络的泥石流次声信号识别方法[J]. 计算机与现代化, 2024, 0(03): 1-6.
[8]	王谭, 陈金广, 马丽丽. 融合词典信息和句子语义的中文命名实体识别[J]. 计算机与现代化, 2024, 0(03): 24-28.
[9]	胡美辰1, 2, 刘敦龙1, 2, 桑学佳1, 2, 张少杰3, 陈乔4. 面向摄像头视频监控的泥石流发生场景智能识别方法[J]. 计算机与现代化, 2024, 0(03): 41-46.
[10]	郑立瑞, 肖晓霞, 邹北骥, 刘彬, 周展. 基于BERT的电子病历命名实体识别[J]. 计算机与现代化, 2024, 0(01): 87-91.
[11]	刘玉鹏, 葛艳, 杜军威, 陈卓. 融合FGM和指针标注的实体关系联合抽取方法[J]. 计算机与现代化, 2023, 0(11): 1-5.
[12]	唐诗琪, 周瑞平, 谢仕斌, 刘梦赤, 肖文, . 基于栈式降噪编码器的跨语言多标签情感分类[J]. 计算机与现代化, 2023, 0(11): 6-12.
[13]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[14]	李诗月, 孟佳娜, 于玉海, 李雪莹, 许英傲. 基于知识增强的方面级情感分析方法[J]. 计算机与现代化, 2023, 0(10): 1-8.
[15]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.