基于注意力驱动上下文特征融合网络的面部视频抑郁识别研究

《Biomedical Signal Processing and Control》：Attention-driven contextual feature fusion network for facial videos-based depression recognition

本文提出一种新颖的注意力驱动上下文特征融合网络（ACF-Net），通过多尺度空间注意力机制（AFAM）与全局上下文注意力机制的协同作用，有效解决了面部视频抑郁识别中局部特征与全局表征的融合难题。该模型在AVEC 2013/2014数据集上取得MAE 6.87/6.51、RMSE 9.05/8.68的优异性能，可视化分析进一步验证其对抑郁相关面部区域（如眉部、鼻唇沟）的精准响应，为精神健康评估提供了可靠的技术支撑。

　　

Section snippets

Related work

自动抑郁评估：抑郁患者的面部表情受情绪波动影响显著，更易出现表达中断。研究表明抑郁患者的面部表情常受限，悲伤情绪更普遍，笑容强度减弱，眼神接触显著减少。与健康人群相比，抑郁患者的面部活动频率和幅度均呈现下降趋势。

Proposed method

本文提出的ACF-Net模型通过注意力驱动特征关联模块，实现了全局与局部情绪特征的有效提取与融合。该模块首先利用多尺度卷积捕捉局部细微表情特征，再通过全局上下文注意力机制加权整合全脸信息，最终通过特征映射关联优化抑郁识别的精度与鲁棒性。

Datasets

采用AVEC 2013和AVEC 2014抑郁子挑战数据集进行模型训练与评估。如表1所示，这两个数据集将抑郁严重程度分为四级，其独特优势在于提供原始视频数据。AVEC 2013包含150段受试者视频片段，每段伴随PHQ-8抑郁量表评分；AVEC 2014则扩展至200段视频，并增加动态面部行为标注。

Limitations and future work

当前模型在高性能计算平台表现良好（100样本推理时间约10.52秒），但移动设备部署时需优化计算效率。未来将探索模型轻量化设计，并整合多模态数据（如语音、生理信号）以提升临床实用性。

Conclusion

ACF-Net通过多尺度空间注意力与全局上下文注意力的创新融合，显著提升了抑郁识别的特征表征能力。模型在保留局部细微表情特征的同时，强化了全局情绪状态的上下文感知，为基于计算机视觉的精神健康评估提供了新的技术范式。