A Depression Detection Method Based on Multi-Modal Feature Fusion Using Cross-Attention

抑郁症是一种普遍而严重的心理健康问题，影响全球约3.8\%的人口。尽管已经存在有效的治疗方法，但低收入和中等收入国家中超过75\%的个体仍未接受治疗，部分原因是准确诊断早期抑郁症的挑战。本文提出了一种基于多模态特征融合和交叉关注的抑郁症检测新方法。通过使用MacBERT作为预训练模型从文本中提取词汇特征，并加入额外的Transformer模块以改进任务特定的上下文理解，提高了模型对目标任务的适应性。与以往仅简单连接多模态特征的方法不同，本方法利用交叉关注进行特征融合，大大提高了抑郁症检测的准确性，并实现了对用户情绪和行为的更全面和精确的分析。此外，基于交叉关注的多模态特征融合网络（MFFNC）被构建，展示了在抑郁症识别任务中出色的性能。实验结果表明，我们的方法在测试数据集上实现了0.9495的准确度，标志着对现有方法的实质性改进。此外，它还为其他社交媒体平台和涉及多模态处理的任务提供了有前途的方法。及时识别和干预抑郁症患者对挽救生命至关重要，突显了技术在促进心理健康问题早期干预方面的巨大潜力。

本文旨在解决抑郁症早期诊断的问题，通过多模态特征融合和交叉注意力机制提高抑郁症检测的准确性。

本文提出了一种新的抑郁症检测方法，利用MacBERT模型提取文本词汇特征，并结合Transformer模块进行任务特定的上下文理解，通过交叉注意力机制进行特征融合，从而提高准确性。

本文构建了基于交叉注意力的多模态特征融合网络（MFFNC），在抑郁症识别任务上表现出色，测试集准确率达到0.9495。实验结果表明，该方法相比现有方法具有显著的提高。本文提出的方法为其他社交媒体平台和多模态处理任务提供了有前途的方法。

最近相关研究包括：1. Multi-modal Depression Detection in Social Media via Jointly Learning to Embed and Predict 2. Depression Detection on Social Media using Multi-modal Feature Fusion and Hierarchical Attention Network 3. Deep Learning for Depression Detection of Twitter Users