利用wav2vec 2.0在资源匮乏环境中通过迁移学习改善言语抑郁检测

摘要 抑郁症是一种普遍的全球性心理疾病，深刻影响日常生活。尽管有许多深度学习研究集中于通过语音分析进行抑郁检测，但标注的大量样本短缺妨碍了有效模型的发展。针对这一挑战，我们的研究引入了一种迁移学习方法，用于检测语音中的抑郁，旨在克服有限资源带来的限制。在特征表示的背景下，我们通过微调wav2vec 2.0获得与抑郁相关的特征。通过结合1D-CNN和注意力池化结构，我们在片段级别生成高级特征，从而增强模型捕捉音频帧内时间关系的能力。在预测结果的领域中，我们整合了LSTM和自注意力机制。这种结合为与抑郁相关的片段分配了更大的权重，从而增强了模型对抑郁相关信息的辨识能力。实验结果表明，我们的模型在DAIC-WOZ数据集上达到了79%的F1分数，在CMDC数据集上达到了90.53%。它在基于语音的抑郁检测领域超过了最近的基线模型。这为在资源匮乏环境中有效检测抑郁提供了有希望的解决方案。