基于多尺度特征融合与改进残差门控循环单元的心理健康情感识别自适应机制研究

为解决心理健康早期诊断难题，研究人员开发了一种融合双向长短期记忆网络-层次注意力机制(BiLSTM-HA)、词频-逆文档频率(TF-IDF)和Glove嵌入的多模态特征提取系统，创新性地采用多尺度融合特征自适应残差门控循环单元(MFF-ARGRU)模型，通过改进随机变量雕刻师优化算法(IRV-SOA)实现参数优化，显著提升了人类心理状态分析的精准度。

　　

全球范围内，精神疾病正以多样化形式侵蚀不同人群的心理安宁。精准的早期识别对制定个性化治疗方案至关重要，延误诊断可能导致行为异常、自杀倾向等灾难性后果。为此，这项研究构建了自适应深度学习框架：首先从公开网络数据源采集文本，经过滤除噪声数据的预处理后，采用三重特征提取策略——兼具上下文感知能力的双向长短期记忆网络-层次注意力机制(BiLSTM-HA)、量化关键词权重的词频-逆文档频率(TF-IDF)，以及捕捉语义关联的Glove嵌入。这些多尺度特征被输入创新的多尺度融合特征自适应残差门控循环单元(MFF-ARGRU)，其门控机制通过改进随机变量雕刻师优化算法(IRV-SOA)动态调参，显著提升了模型对抑郁、焦虑等心理状态的识别灵敏度。实验数据显示，该系统的分析效能远超基线方法，为数字化心理健康监测提供了可靠的技术路径。