优势加权排序法提升抑郁检测准确率

背景

抑郁症是全球性的重大公共卫生问题，传统诊断依赖主观问卷和临床访谈，效率低且易受人为因素影响。近年来，利用音视频数据（如面部表情、语音韵律）进行自动抑郁检测成为研究热点。然而，该领域面临两大核心挑战：一是抑郁症患者与非患者的面部/语音特征分布高度重叠，难以有效区分；二是现有二分类方法（抑郁/非抑郁）忽略了抑郁症严重程度的隐性层级结构，导致决策边界模糊。本文提出的方法旨在通过细粒度多模态融合与排序损失函数，挖掘潜在抑郁严重度信息，从而提升二分类性能。

核心内容

本文提出了一种基于音视频数据的细粒度多模态抑郁检测框架，其核心创新在于设计了一种名为 Binary Advantage-weighting Ranking Loss 的损失函数，通过优化潜在空间分布来挖掘隐含的抑郁严重度序数结构。框架由两个主要模块组成：时序编码器（Temporal Encoder） 和 互注意力变换器（Mutual Transformer），前者提取音频和视频模态的时序特征，后者实现跨模态深度融合。

损失函数包含两个互补机制：

1. Advantage-weighted Separation（优势加权分离）：通过计算成对预测差异矩阵，动态识别并加权那些难以区分的样本对（hard pairs），迫使模型在潜在空间中拉开它们的距离。具体而言，对于每个样本对，模型计算其预测分数的差值，并根据差值大小赋予权重——差值越小（即越难区分），权重越大，从而强制模型重点优化这些困难边界。

2. Advantage-weighted Compactness（优势加权紧凑性）：最小化同类样本（即同属抑郁或非抑郁类别）的类内方差，迫使同一类别的特征向其类中心聚集。这增强了特征的聚类紧致性，进一步降低特征重叠。

通过联合优化这两个机制，模型在潜在空间中不仅能够将抑郁与非抑郁样本分离，还能自动恢复出样本间隐含的抑郁严重度序数关系——即优先将严重度相差大的样本对推得更远，从而隐式地利用了严重度信息来辅助二分类决策。

实验在两个公开数据集 D-vlog（视频博客抑郁数据集）和 LMVD（多模态抑郁数据集）上进行。结果显示，该框架重构了潜在序数结构，并在各项指标上取得了当前最优（state-of-the-art）性能，显著优于传统二分类方法。

关键要点

• 提出融合时序编码器与互注意力变换器的细粒度多模态框架，实现音频-视频深层跨模态融合。
• 核心创新是 Binary Advantage-weighting Ranking Loss，它通过两个机制（Advantage-weighted Separation 与 Advantage-weighted Compactness）联合优化潜在空间分布。
• Advantage-weighted Separation 利用成对预测差值矩阵动态挖掘困难样本对，并对它们赋予更高权重，从而改善决策边界。
• Advantage-weighted Compactness 强制同类特征向其类中心聚集，减小类内方差，增强特征簇的紧凑性。
• 该方法间接利用了抑郁严重度的序数信息，通过优先分离严重度差异大的样本对，重构了潜在的层级结构。
• 在 D-vlog 和 LMVD 数据集上均达到当前最优性能，验证了方法的有效性。

意义与影响

该研究的意义在于突破了传统抑郁二分类检测仅关注类别标签的局限，创新性地引入了隐性严重度序数信息，并通过排序损失巧妙地将其融入二分类训练过程。这种思路不仅适用于抑郁检测，还可推广至其他特征重叠严重、存在隐含序数结构的医学诊断任务（如疼痛等级评估、认知障碍筛查）。此外，框架中使用的互注意力变换器与动态困难样本挖掘机制，为多模态时序分析提供了可借鉴的设计范式。未来，该方法可进一步扩展到更多模态（如文本、生理信号），并探索更复杂的序数关系建模，推动自动心理健康评估向更精准、更鲁棒的方向发展。