A Consistent Learning Depression Detection Framework Integrating Multi-View Attention
📄 A Consistent Learning Depression Detection Framework Integrating Multi-View Attention #语音生物标志物 #一致性学习 #注意力机制 #数据增强 #音频分类 ✅ 6.5/10 | 前50% | #语音生物标志物 | #一致性学习 | #注意力机制 #数据增强 学术质量 6.2/7 | 选题价值 1.5/2 | 复现加成 0.3 | 置信度 中 👥 作者与机构 第一作者：徐淑敏（Shuomin Xue）（东南大学网络科学与工程学院） 通讯作者：杨春峰（Chunfeng Yang）（东南大学计算机科学与工程学院） 作者列表：徐淑敏（Shuomin Xue）（东南大学网络科学与工程学院）、姚嘉轩（Jiaxuan Yao）（东南大学软件工程学院）、杨春峰（Chunfeng Yang）（东南大学计算机科学与工程学院） 💡 毒舌点评 这篇论文首次将一致性学习范式引入基于音频的抑郁症检测，想法巧妙，技术整合度也不错。但论文的实验对比部分有些“自说自话”，Table 1中多个重要基线方法的Precision和Recall列为空，削弱了对比的说服力，而且作为一篇2026年的论文，完全没有提及开源计划，这对于临床应用研究来说是一个明显的短板。 📌 核心摘要 本文旨在解决基于音频的自动抑郁症检测中面临的信号噪声大、模型鲁棒性不足的问题。作者提出了DSCAM（Dual-Student Consistency Learning Framework with Multi-view Attention）框架，其核心是采用两个独立初始化的学生模型，通过对未标注数据施加高斯噪声和通道掩码增强，利用一致性损失和稳定性损失约束两个模型输出的一致性，从而学习对噪声鲁棒的表示。同时，提出了时间注意力模块（TAM）和特征注意力模块（FAM），分别从时间和特征维度关注关键信息并抑制噪声。实验在CMDC和DAIC-WOZ两个抑郁症数据集上进行，结果表明DSCAM在F1分数和召回率上优于所对比的监督学习方法，例如在DAIC-WOZ数据集上F1达到0.683，召回率达0.710，在CMDC数据集上F1和召回率均达到0.955。消融实验证明了每个模块的贡献。该工作的实际意义在于为临床抑郁症的早期、客观筛查提供了一种潜在的自动化工具。主要局限性包括：1）实验对比不够全面，部分关键基线指标缺失；2）方法高度依赖半监督学习设置，且在更复杂的真实噪声环境下的泛化能力有待验证；3）未提供代码或模型复现资源。 🏗️ 模型架构 DSCAM的完整架构如图1(a)所示，是一个基于双学生模型的半监督学习框架。其核心流程如下： 输入与增强：将训练数据分为有标签和无标签两部分。对无标签数据，通过高斯噪声（公式1）和通道掩码（公式2）生成两个增强视图（Xaug1, Xaug2），并各自应用Dropout（公式3），最终得到四个输入：Xlabel, Xaug1‘, Xaug2‘（来自第一个学生S1）以及对应的视图输入给第二个学生S2（S1和S2结构相同但初始化不同）。 特征提取与时序建模：对每个视图，分别使用预训练的VGGish模型提取128维深度特征（Xvgg）和eGeMAPS工具提取88维声学特征（Xege）。每个特征流都经过层归一化（LN）后输入双向LSTM（BiLSTM）以捕获时序依赖，得到时序增强的特征 Xt_vgg 和 Xt_ege。 时间维度注意力（TAM）：TAM的结构如图1(b)所示。它接收BiLSTM的输出，沿特征维度分别进行平均池化和最大池化（公式5, 6），然后拼接（公式7）。拼接后的特征通过一个包含两层1D卷积、BatchNorm和Sigmoid激活的模块，生成时间注意力权重 Wtem（公式8, 9）。该权重与原始BiLSTM输出逐元素相乘，实现对重要时间段的加权（公式10）。 特征融合与全局池化：将两个经过时间加权的特征（Xtem_vgg, Xtem_ege）在特征维度拼接，得到融合特征 Xfusion。随后通过多头自注意力（Multi-Head Attention）捕获不同时间步间的依赖关系，输出 X‘fusion。再经过自适应平均池化和展平，得到全局向量 Xglobal。 特征维度注意力（FAM）：FAM的结构如图1(c)所示。它是一个小型神经网络，接收 Xglobal，经过线性层（降维）、ReLU激活、线性层（升维）和Sigmoid激活，生成特征注意力权重 Wfeature（公式13）。该权重与 Xglobal 逐元素相乘，增强重要特征维度（公式14）。 分类与损失：增强后的特征 Xenhanced 通过一个分类器（包含BN、Dropout和两层线性层）得到最终预测 P（公式15）。模型总损失（公式21）由三部分组成：有标签数据的交叉熵损失（Li_cls），无标签数据两个增强视图之间的一致性损失（Li_con，公式16），以及两个学生模型之间的稳定性损失（Li_stab，公式19）。稳定性损失的设计是改进的关键，它根据模型自身预测的稳定性（si）来决定是否及如何互相监督。 图1说明： (a)展示了DSCAM的整体双学生框架，数据流从左到右，包括数据增强、两个并行的学生模型（S1/S2）处理流程，以及最终的联合损失计算。(b)和(c)分别放大展示了TAM和FAM的内部结构。 ...