MDD-Net：通过相互Transformer进行多模态抑郁症检测

论文地址：https://arxiv.org/pdf/2508.08093

一、研究背景与意义​

1. ​抑郁症现状​
   • 全球约3.22亿人受抑郁症影响，WHO预测其将在203年成为首要健康问题。
   • 传统诊断依赖问卷和临床评估，易受参与者配合度和医生经验影响，存在效率低、误差大问题。
2. ​技术需求​
   • 亟需自动化系统实现快速、精准的抑郁症检测，利用非侵入式数据（如社交媒体中的音视频）。

​二、现有研究局限​

1. ​主流方法缺陷​
   • ​单模态方法​：依赖音频、视觉或文本单一特征，忽略跨模态关联（如面部表情与语音变化的协同性）。
   • ​多模态融合不足​：现有模型（如Bi-LSTM、TAMFN）对特征交互建模不充分，难以处理噪声数据。
2. ​数据挑战​
   • 社交媒体数据存在标注主观性、样本不均衡问题（如D-Vlog数据集中正常/抑郁样本比例406:555）。

​三、MDD-Net核心创新​

​1. 整体架构​

• ​输入​：对齐的音频特征（25维低阶声学描述符）和视