8、利用表情符号和源滤波器模型提升抑郁检测与语音合成效果

利用表情符号和源滤波器模型提升抑郁检测与语音合成效果

表情符号在基于文本的抑郁检测中的应用

在基于文本的抑郁检测领域，为了更好地解决数据稀缺问题，研究人员采用了任务无关的预训练文本嵌入来表示语义特征。其中，BERT被用于提取高级上下文敏感特征作为语义模态，同时还研究了将BERT和表情符号特征融合，以结合语义和情感模态。

抑郁检测模型

该抑郁检测方法将每个受试者的文本视为句子序列，使用双向长短期记忆（BLSTM）网络对序列数据进行建模。具体流程如下：
1. 特征输入 ：网络接收从患者文本中获得的矢量化特征序列 $X_p = [x^{(1)} p, x^{(2)}_p, …, x^{(I)}_p]$ 。
2. BLSTM处理 ：将序列 $X_p$ 输入BLSTM网络，输出 $O_p = BLSTM(X_p) = [o^{(1)}_p, …, o^{(I)}_p]$ 。
3. 时间池化 ：由于每个对话只给出一次抑郁状态标签，需要使用时间池化层去除时间变异性。这里采用注意力机制作为时间池化方法，为每个时间步 $i$ 计算权重：
- $\alpha^{(i)}_p = \frac{e^{w^T o^{(i)}_p}}{\sum {t} e^{w^T o^{(t)} p}}$ ，其中 $w$ 是可学习的注意力参数。
- 注意力输出 $\hat{o}_p = \sum {i} \alpha^{(i)}_p o^{(i)}_p$ 。
4. 分类预测