结合注意力机制的CNN-LSTM的视频中双相抑郁症检测方法
信息技术与网络安全 5期
穆家宝
(中国科学技术大学 大数据学院，安徽 合肥230026)
摘要： 双相抑郁症(Bipolar Disorder)会使人们因为严重的情绪问题无法参与正常的社会生活，甚至导致自残和自杀行为。为了准确检测患者当下心理状态以协助医生进行更精准的治疗，提出了一种结合注意力机制的CNN-LSTM网络的混合模型的双相抑郁症检测方法。该方法首先使用在人脸表情数据集上微调的Resnet50模型提取视频帧的空间特征，其次通过结合注意力机制的LSTM网络提取帧之间的时序信息去检测双相抑郁症。在AVEC2018双相抑郁症数据库开发集上，验证了该方法的有效性。
中圖分類號： TP18
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.05.011
引用格式： 穆家寶. 結合注意力機制的CNN-LSTM的視頻中雙相抑郁癥檢測方法[J].信息技術與網絡安全，2022，41(5)：72-76.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2022.05.011
引用格式： 穆家寶. 結合注意力機制的CNN-LSTM的視頻中雙相抑郁癥檢測方法[J].信息技術與網絡安全，2022，41(5)：72-76.
Bipolar disorder detection in videos by integrating attention mechanism based on CNN-LSTM
Mu Jiabao
(School of Data Science，University of Science and Technology of China，Hefei 230026，China)
Abstract： Bipolar disorder can prevent people from participating in normal social life because of severe emotional problems, and even lead to self-harm and suicidal behavior. In order to accurately detect the patient′s current psychological state to assist doctors in more accurate treatment，in this paper, a hybrid model of CNN-LSTM network combined with attention mechanism is proposed for bipolar depression detection. The method firstly uses the Resnet50 model fine-tuned on the facial expression dataset to extract the spatial features of video frames, and secondly uses the LSTM network combined with the attention mechanism to extract the temporal information between frames to detect bipolar depression. The effectiveness of this method was verified on the development set of the AVEC2018 bipolar depression database.
Key words : bipolar disorder detection；convolutional neural network；long short-term memory
0 引言
雙相抑郁癥(Bipolar Disorder)，即雙相抑郁障礙，也稱躁狂抑郁癥，是一種能夠引起患者心情大起大落變化的疾病。患者既有躁狂表現，又有抑郁癥癥狀表現。躁狂時自我感覺良好、精力充沛、積極樂觀、思維活躍，又或脾氣暴躁、行事沖動；抑郁時則情緒低落、興趣減退、極度自卑。患者情感發作形式不限，可以是抑郁發作、躁狂發作，也有部分患者在一段時間內出現躁狂和抑郁的反復交替。
由于雙相抑郁癥患者會經歷躁狂和抑郁兩種不同的發作情況，因此它的確診要比其他精神疾病更加困難。據統計，雙相抑郁癥患者的平均確診時間高達8年。每兩名雙相抑郁癥患者中就有一人在其一生中至少嘗試過一次自殺行為，且很多患者通過自殺結束生命,年平均自殺率高達0.4%[1]，是普通人群的10～20倍[2]。雙相抑郁癥患者的終身自殺風險高達20%[3]。
本文詳細內容請下載：http://m.tom3567.com/resource/share/2000004250
作者信息：
穆家寶
(中國科學技術大學 大數據學院，安徽 合肥230026)
此內容為AET網站原創，未經授權禁止轉載。