基于注意力引导双向时序感知网络的语音抑郁识别研究

为解决传统抑郁诊断方法依赖主观问卷、生理信号采集成本高的问题，研究人员提出AGBiTNet模型，通过BiTM模块捕获双向时序依赖和FAM模块提取多尺度频域特征，结合Huber与GE2E联合损失函数，在AVEC数据集上实现RMSE低至5.35的精准预测，为低成本、高隐私的抑郁辅助诊断提供轻量化解决方案。

　　

抑郁障碍是全球范围内严重的心理健康问题，传统诊断依赖医生问诊和量表评估，易受患者主观隐瞒影响。虽然脑电(EEG)、心电图等生理信号能客观反映抑郁状态，但采集设备昂贵且操作复杂。相比之下，语音信号具有采集便捷、成本低廉的优势，研究表明抑郁患者的情绪波动会通过语音频谱特征（如基频抖动、共振峰偏移）显现。然而现有方法存在明显局限：手工提取的声学特征依赖专家经验，深度学习模型如CNN难以捕捉长时序依赖，LSTM对远距离特征建模不足，而Transformer又忽视了频域信息的特异性表达。

针对这些挑战，中国某高校团队在《Digital Signal Processing》发表研究，提出注意力引导双向时序感知网络(AGBiTNet)。该研究利用AVEC 2013-2017数据集，通过Mel频率倒谱系数(MFCC)将语音转化为时频特征，创新性地结合双向时序模块(BiTM)和频域注意力模块(FAM)，并引入Huber损失与广义端到端(GE2E)损失的联合优化策略。关键技术包括：1) BiTM采用双向门控机制动态融合前后向时序特征；2) FAM通过并行一维卷积核(3/5/7尺度)加权关键频段；3) 使用GE2E损失增强跨数据集特征一致性。

Bi-directional Temporal-aware Module设计
BiTM模块通过双向门控循环单元(GRU)分别提取前向/后向时序特征，利用动态权重融合机制增强抑郁相关情绪波动捕捉能力。实验表明该模块使MAE指标较单一时序模型降低12.7%。

Frequency-aware Attention Module优化
FAM采用多尺度一维卷积核扫描MFCC特征，通过通道注意力机制突出抑郁敏感频段。在AVEC 2017数据集上，该模块使高频区(4-6kHz)特征权重提升23%，对应抑郁患者的发声颤抖特征。

联合损失函数效果验证
Huber损失(δ=1.0)约束回归精度，GE2E损失(边际α=0.5)优化特征空间分布。消融实验显示联合损失使跨数据集RMSE波动降低19.3%，显著提升模型鲁棒性。

研究结论表明，AGBiTNet在三个公开数据集上RMSE达9.45-5.35，模型参数量仅2.7M，兼具高精度与轻量化特性。该成果的创新性体现在：1) 首次实现时序-频域双分支协同建模；2) 通过GE2E损失解决临床数据分布差异问题；3) 为移动端抑郁筛查提供可行方案。讨论部分指出，未来可结合语音-文本多模态数据，并探索该模型在双相情感障碍等精神疾病中的泛化能力。研究获国家自然科学基金(61876112)和北京市自然科学基金(4242034)支持。