编辑推荐：
抑郁严重影响全球公共健康，诊断面临诸多难题。研究人员开展基于联邦学习的模态独立多模态系统（MIMS-FL）研究，用音频、EEG 和文本数据训练模型。结果显示，该模型在 IID 和非 - IID 环境下准确率高，有助于早期抑郁分类和干预。
在现代社会，人们的生活节奏不断加快，精神压力也与日俱增，抑郁症这一 “心灵杀手” 悄然成为严重的公共健康问题。它不仅是心理障碍的重要诱因，还让全球经济面临巨大挑战，据统计，到 2030 年，心理健康疾病预计将引发约 16 万亿美元的全球经济灾难。同时，抑郁症的诊断困难重重，其复杂的共病情况以及不断攀升的患病率，使得漏诊风险大幅增加。在低收入和中等收入国家，这一问题更为严峻，这些国家的自杀人数占全球的 77% 以上。
为了更准确地识别和诊断抑郁症，科研人员尝试了多种方法。利用用户的行为信号，如社交媒体上的活动和表达、音频、视频等，以及生理信号，像脑电图（EEG）和磁共振成像等，都可以为抑郁症的检测提供线索。其中，EEG 信号能直接测量人类神经系统产生的信号，是表达人类情感活动最为直接、可靠的方式之一。然而，深度学习虽然在抑郁症识别算法上取得了一定进展，但也带来了新的问题。一方面，为了达到临床级别的准确率，需要大量的训练数据，这使得系统参数复杂度不断增加；另一方面，包含个人信息的数据集存在隐私泄露风险，不同医疗机构难以获取足够的信息来开发可靠的抑郁症识别算法，这成为深度学习技术在医疗领域应用的重大阻碍。
在此背景下，来自未知研究机构的研究人员开展了一项关于基于联邦学习（FL）的模态独立多模态系统（MIMS-FL）的研究，该研究成果发表在《Biomedical Signal Processing and Control》上。这项研究意义重大，它致力于解决抑郁症诊断中数据隐私保护和多模态数据利用的难题，为抑郁症的早期分类和干预提供了新的可能。
研究人员在这项研究中主要运用了以下关键技术方法：首先，对音频和 EEG 数据集采用梅尔频率倒谱系数（MFCC）技术进行预处理，将其转化为适合模型训练的形式；对于文本数据，则使用向量嵌入的方式进行预处理。然后，利用深度学习（DL）算法，包括长短期记忆网络（LSTM）、双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN），训练基础模型以提取各数据集的特征。最后，运用联邦学习方法，在独立同分布（IID）和非独立同分布（non-IID）环境下对模型进行测试和优化。
研究结果如下：
- 基础模型训练结果：在训练基础模型提取各数据集特征时，对比了 CNN、LSTM 和 Bi-LSTM 三种深度学习模型。结果发现，Bi-LSTM 模型表现最为出色，在音频数据上的验证准确率高达 99.33%，EEG 数据上为 98.95%，文本数据上也达到了 96.97%。这表明 Bi-LSTM 模型在处理这些数据特征时具有更好的性能。
- 联邦学习模型在不同环境下的测试结果：研究人员进一步测试了联邦学习方法在 IID 和 non-IID 环境下各数据集上的性能。在 IID 设置下，联邦学习模型在音频数据上的验证准确率达到 100%，EEG 数据为 99.89%，文本数据同样为 100%；在 non-IID 场景下，音频数据的验证准确率为 99.7%，EEG 数据为 99.5%，文本数据依然保持 100% 的准确率。这说明该模型在不同数据分布环境下都能保持较高的准确率，具有较强的适应性。
研究结论和讨论部分指出，该研究提出的 MIMS-FL 模型在识别抑郁症方面表现卓越。与近期的预训练模型相比，它能够更有效地处理不同数据源的数据，通过使用音频、EEG 和文本数据集，以最高的准确率和最小的损失识别重度抑郁症（MDD），极大地保护了数据隐私。这一模型的优势在于其独特的模态独立性和数据隐私保护特性，为边缘设备处理多源数据提供了新的思路。同时，该模型在数据类型上具有很强的灵活性，能够为抑郁症的早期分类提供有力支持，有助于设计新颖的技术干预措施，促进心理健康领域的发展。这一研究成果为抑郁症的诊断和治疗开辟了新的道路，有望在未来的临床实践和心理健康研究中发挥重要作用，为全球心理健康事业做出积极贡献。
