一种用于积极学习和无标签学习的进化式多任务处理方法

《Knowledge-Based Systems》：An Evolutionary Multitasking Method for Positive and Unlabeled Learning

抑郁症客观诊断工具需兼顾隐私保护和数据有效性，本文提出FractalMM架构，通过Hilbert空间填充曲线将凝视和声学的一维时序数据转换为二维分形图像，构建隐私增强的多模态学习框架。实验表明该架构在E-DAIC数据集上实现PHQ-8评分预测最优性能，并首次验证HSFC在多模态抑郁症识别中的应用价值。

　　抑郁症作为一种影响全球数百万人的疾病，已成为造成残疾的主要原因之一，迫切需要创新的解决方案以实现及时识别和干预。传统的主观评估方法存在诸多局限，例如评估者间的差异性、主观性较强以及难以大规模应用等。与此同时，原始生理数据的隐私问题也引发了广泛关注。因此，开发一种客观、可扩展且兼顾隐私保护的诊断工具显得尤为重要。本文提出了一种全新的深度学习框架——FractalMM，旨在通过融合分形编码的行为信号，实现隐私保护下的多模态抑郁症识别。这一方法不仅解决了传统主观评估的不足，还有效应对了隐私泄露的风险，为心理健康评估提供了一种更安全、更可靠的技术路径。

在实际应用中，许多行为信号的采集依赖于日常设备，如摄像头、麦克风等，这些设备虽然能够捕捉丰富的数据，但同时也带来了隐私方面的挑战。例如，面部视频分析虽然可以提取表情和动作特征，但其直接记录了面部外观，这是一种敏感的生物识别信息。同样，完整的音频信号可能包含语音特征（如声纹）以及潜在的语义信息，这些都可能被用于识别说话者身份或推断其隐私内容。因此，如何在不牺牲识别性能的前提下，对这些敏感数据进行隐私保护，成为当前研究的重要方向。

FractalMM框架的核心创新在于其利用了希尔伯特空间填充曲线（Hilbert Space-Filling Curve, HSFC）进行分形编码。HSFC是一种将一维时间序列数据映射到二维空间的数学方法，它能够有效地保留时间序列的局部和全局结构信息，同时避免直接暴露原始数据。在本文中，我们首次将HSFC应用于多模态抑郁症识别任务，将非平稳的一维眼动和音频时间序列转换为结构化的二维分形图像。这种转换方式不仅提升了特征的可表示性，还显著降低了隐私泄露的风险，因为生成的分形图像无法被逆向还原为原始信号。

在框架设计上，FractalMM采用了模块化结构，结合了模态特定的深度学习路径。对于眼动数据，我们引入了HSFC增强双注意力（HSFC-EDA）模块，该模块在ResNet主干网络的基础上，增强了对眼动模式中细微变化的捕捉能力。对于音频数据，我们设计了HSFC音频特征编码器（HSFC-AFE）模块，该模块能够提取音频信号中与抑郁相关的特征，并将其转换为分形图像以供后续分析。通过这种分形特征融合策略，FractalMM能够更全面地捕捉抑郁症相关的复杂行为模式，从而提升识别的准确性和鲁棒性。

为了验证FractalMM的有效性，我们将其应用于E-DAIC数据集，并在PHQ-8评分预测任务中取得了当前最优的性能。E-DAIC数据集包含半临床访谈数据，由虚拟面试官Ellie进行，这些数据涵盖了多种行为信号，如眼动、语音、面部表情等，为多模态抑郁症识别提供了丰富的资源。实验结果表明，FractalMM在保持隐私的前提下，不仅能够准确识别抑郁状态，还能在不同任务中展现出良好的泛化能力。例如，在ChaLearn First Impressions V2数据集上，FractalMM在Big Five人格识别任务中也取得了当前最优的性能，进一步证明了其在心理健康评估中的广泛适用性。

除了性能评估，我们还对HSFC的特性进行了深入分析，以揭示其在抑郁症识别任务中的优势。HSFC作为一种空间填充曲线，能够在不丢失关键信息的情况下，将时间序列数据映射到二维空间。这种映射方式使得原本难以处理的高维时间序列数据可以被更有效地输入到深度学习模型中。通过对比实验，我们发现HSFC在捕捉多尺度依赖关系方面优于其他时间序列表示方法，如GADF和CWT。这些方法虽然在某些任务中表现良好，但在处理复杂行为信号时，往往无法全面保留时间序列的动态特性。而HSFC通过其独特的空间映射能力，能够在保留时间序列结构的同时，提供更丰富的特征表示，从而提升模型的识别性能。

在实际部署方面，FractalMM框架具有显著的计算效率，使得其可以在设备端直接运行，而无需将敏感数据传输到外部服务器。这种特性不仅降低了数据泄露的风险，还提高了系统的实时性和可扩展性。对于隐私敏感的应用场景，如心理健康监测、远程医疗等，这种本地化处理能力尤为重要。此外，FractalMM的模块化设计也为其后续的优化和扩展提供了便利。例如，可以根据不同的应用场景，灵活地替换或添加新的模态处理模块，以适应更多样化的数据来源和分析需求。

综上所述，FractalMM框架为抑郁症识别提供了一种全新的深度学习方法，其核心在于利用HSFC进行分形编码，从而在隐私保护和识别性能之间取得平衡。该方法不仅克服了传统主观评估的局限，还通过结构化的特征表示提升了模型的鲁棒性和泛化能力。同时，FractalMM的计算效率和模块化设计也为其在实际应用中的推广奠定了基础。未来，我们计划进一步探索HSFC在其他心理健康任务中的应用潜力，并结合更多模态的数据，构建更加全面和精准的抑郁症识别系统。此外，我们还将关注如何在不同数据环境和应用场景下，进一步优化隐私保护策略，以确保系统的安全性和可靠性。