融合多模态信息的Bi-LSTM网络的临床患者焦虑障碍检测研究

摘要

针对临床患者焦虑障碍自动检测过程中单一模态信息表征不充分、异构特征融合稳定性差等问题，本文围绕融合多模态信息的双向长短期记忆(Bi-LSTM)焦虑障碍识别任务开展研究。该方法分别对问卷文本与访谈语音进行特征提取与时序建模，通过独立的Bi-LSTM子网络挖掘不同模态内部的上下文依赖关系，并在判别层引入逻辑回归模型实现多模态决策级融合，最终输出具有概率语义的焦虑风险估计结果。实验结果表明：相较于单一文本或单一语音模态模型，本文提出的多模态融合方法在准确率与召回率等关键指标上均具有更优表现，验证了决策级融合策略在提升检测稳定性与风险识别能力方面的有效性。

关键词

多模态信息 / 双向长短期记忆(Bi-LSTM)网络 / 焦虑障碍检测 / 决策级融合