引言
焦虑障碍是全球最为常见且危害严重的心理健康问题之一[1],近年来其患病率呈持续上升趋势[2]。研究发现,焦虑障碍与多种不良健康后果相关,如心血管疾病风险增加以及早逝几率上升[3]。由于早期症状较为隐匿,许多焦虑患者未能得到及时诊断[4]。错过这一关键的干预时机会加剧症状、延长病程,并提高后续治疗的难度[5]。
及时且高效地识别焦虑状态对于焦虑障碍的及时干预和有效临床管理至关重要。然而在常规临床实践中,焦虑症状的评估和筛查仍主要依赖问卷调查和访谈等主观工具,这类方法易受个体自我认知的影响,可靠性较差[6]。为提高焦虑评估的客观性,近期有研究开始探索各种生理和行为信号,包括静息态脑电图、人际交流时的面部表情、生理显著性信号、呼吸信号以及语音[[7], [8], [9], [10], [11], [12], [13]]。此外,还有一些研究指出唾液、外周血和脑脊液也可能作为焦虑的潜在生物标志物[[14], [15]]。
与上述信号相比,语音声学特征在高效且经济实惠的筛查方面具有明显优势:它们无创、成本相对较低,且在日常环境中易于获取。大量研究已证明,焦虑患者与健康对照组在语音声学特征上存在显著差异[[16], [17], [18]]。例如,与健康人相比,焦虑患者的基频值通常更高,而梅尔频率倒谱系数第2值则更低[[18], [19]]。
基于这些具有区分度的声学特征,近期越来越多的研究开始运用人工智能技术来提升焦虑筛查的效果[20]。人工智能已被证明是用于健康相关分类任务的强大工具[[21], [22]],许多研究也利用语音特征来实现这一目标[[23], [24]]。Teferra和Rose[25]采用传统机器学习分类器,从1,240段自发音频样本中提取了语言查询量和词频特征,通过逻辑回归模型得到了0.58的曲线下面积。Brueckner等人[26]收集了4,748条针对“你怎么样?”这个问题的语音回复,提取了手工设计的特征集,进而使用极端梯度提升和随机森林模型,获得了66%的准确率。Park等人[27]则从虚拟现实场景中提取声学数据,对32名社交焦虑症患者进行了分类,准确率达到了79.5%。
由于深度学习方法能够有效捕捉音频信号中细微的非线性特征交互作用[28],也有部分研究将深度学习应用于基于语音的焦虑分类。例如,Teferra和Rose[25]在基于Transformer的模型中使用了从文本中提取的特征,得到了0.64的曲线下面积[25]。Brueckner等人[26]则使用Wav2Vec 2.0从原始语音中提取上下文化特征,再输入长短期记忆网络,最终获得了67%的准确率[26]。值得注意的是,Salekin等人[29]提出了一种基于双向长短期记忆的多实例学习模型以及一种新的特征建模方法,利用105名参与者的即兴语音数据,实现了90%的焦虑障碍分类准确率。
需要指出的是,以往的研究多针对不同程度的焦虑状况,有些关注焦虑症状较重的群体[25], [26],有些则针对临床确诊的焦虑障碍患者[27], [29]。鉴于早期识别对于预防和缓解焦虑相关问题具有重要意义[30],显然有必要开发更有效的手段来筛查焦虑症状加重的情况。然而现有相关研究的分类准确率普遍较低,大多低于70%[25], [26]。其中一个可能的原因是,这些研究通常使用自发或非结构化的语音数据,未能系统地控制参与者的情绪表达和语音内容。由于情绪和语音内容会对语音特征产生显著影响[31], [32], [33], [34],缺乏此类控制可能会引入不可控的变量,掩盖与焦虑相关的声学特征,进而降低机器学习/深度学习模型识别焦虑特异性特征的敏感度。
为克服这些局限,本研究采用了结构化的情绪模仿范式,要求参与者在保持语音内容一致的前提下模仿预设的情绪状态。本研究旨在探讨控制情绪表达和语音内容是否有助于提升机器学习/深度学习模型对高焦虑组与低焦虑组的分类能力,同时确定哪种情绪语音状态能产生最具区分度的特征。本研究的贡献在于构建了一个实用且经过实证验证的基于语音的焦虑筛查框架,该框架整合了可控的情绪语音激发、独立于个体的片段级建模、个体级结果汇总以及针对情绪特异性贡献的可解释性分析。虽然该框架并未引入新的神经网络架构,但它通过方法上的优化提升了分类精度,解决了以往小样本研究以及未控制情绪因素的研究所存在的诸多问题,为未来的研究及潜在的临床筛查应用提供了可重复的方法。