迈向可解释的抑郁检测：将声学特征与DSM-5指标相关联

arXiv cs.CL 论文
depression-detection acoustic-features dsm-5-indicators interpretable-ai privacy-preservation

摘要

本文提出一种透明框架，将语音声学特征与DSM-5抑郁指标相关联，实现可解释的检测。该框架在商品硬件上本地运行以保护隐私。

arXiv:2608.26148v1 Announce Type: new 摘要：抑郁影响着全球数百万人，但诊断依赖于主观的自我报告，可能错过真实行为。本文提出一种方法，通过透明链接框架将语音声学与DSM-5抑郁行为指标相关联。与黑盒模型不同，该框架明确将声学特征（如音高变异性、停顿、语速）映射到临床指标，实现可解释的、指标级输出。系统在商品硬件（HW）上本地运行以保护隐私。在DAIC-WOZ上的初步评估显示，声学特征与DSM-5指标在精神运动改变和注意力困难方面存在方向性一致的关联，支持设计原理。未来工作将在纵向数据集上验证，并扩展多模态集成，同时保持边缘约束。
查看原文
查看缓存全文

缓存时间: 2026/08/28 09:21 

# 迈向可解释的抑郁症检测：将声学特征与DSM-5指标相联系
来源：https://arxiv.org/abs/2608.26148
查看PDF (https://arxiv.org/pdf/2608.26148)

> 摘要：抑郁症影响全球数百万人，但诊断依赖于可能错过真实行为的主观自我报告。本文提出一种方法，通过透明的关联框架，将语音声学特征与DSM-5抑郁症行为指标相联系。与黑盒模型不同，该框架明确地将声学特征（音高变异性、停顿、语音速度）映射至临床指标，从而生成可解释的、基于指标水平的输出结果。该系统在商用硬件（HW）上本地运行以保障隐私。在DAIC-WOZ数据集上的初步评估显示，对于精神运动性改变和注意力困难等指标，声学特征与DSM-5指标之间存在方向一致的关联性，支持了设计原理。未来工作将在纵向数据集上进行验证，并在保持边缘计算约束的同时扩展多模态融合。

## 投稿历史

来自：Bruno Rodrigues \[查看邮件 (https://arxiv.org/show-email/0dea4177/2608.26148)\] **\[v1\]** 2026年6月29日（周一）07:17:46 UTC（853 KB）

相似文章

使用LLM生成的嵌入从社交媒体文本中进行可解释的抑郁症检测

arXiv cs.CL

本文研究了使用大语言模型（LLMs）和监督分类器从社交媒体文本中检测抑郁症的方法，提出了一种基于提示的嵌入方法以增强可解释性。在多个数据集上的实验表明，零样本LLMs在二分类任务中表现良好，但在细粒度严重程度分类上表现不佳；而基于LLM摘要嵌入的监督模型在多分类和有序分类任务中取得了更一致的表现。