DNet:一个抑郁症识别网络,结合了残余网络和视觉变压器
Zhongyi Jiang1, Ke Xu2, Xing Gao2
1School of Computer and Artificial Intelligence, Changzhou University, Changzhou, 213164, Jiangsu, China. jzy@cczu.edu.cn.
BMC psychiatry
|September 30, 2025
概括
这项研究介绍了DNet,一个高效的网络使用面部图像通过分析微妙的表情变化来识别抑郁症. 在预测抑郁症严重程度方面,DNet实现了高准确度,有助于诊断和治疗.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 抑郁症是一种广泛的心理健康障碍,具有诊断和治疗挑战.
- 面部表情为抑郁症严重程度提供了潜在的生物标志物.
- 现有的方法很难捕捉微妙的局部面部变化,这表明抑郁症.
研究的目的:
- 开发一个高效的深度学习网络 (DNet) 以使用面部图像准确识别抑郁症.
- 利用全球和本地面部特征来改善抑郁症严重程度的评估.
- 通过先进的功能融合和注意力机制,增强抑郁症诊断.
主要方法:
- 拟议的DNet架构与特征提取模块 (FEM) 和视觉变压器 (ViT) 块.
- FEM利用道和定位注意力从全球和本地面部图像进行特征地图.
- 通过FPN和ViT块进行特征融合,以实现全面的语义特征学习.
主要成果:
- 在AVEC2014数据集上,DNet实现了6.09的平均绝对误差 (MAE) 和7.85的根平均平方误差 (RMSE).
- 在CZ2023数据集中,DNet获得了6.73的MAE和8.47的RMSE.
- 实验结果验证了DNet在抑郁症识别中的有效性.
结论:
- 根据面部图像,DNet网络在预测抑郁症严重程度方面表现出很高的准确性.
- 拟议的方法有效地融合了本地和全球的面部特征,以加强识别.
- 作为一种帮助诊断和管理抑郁症的工具,DNet显示出前景.

