抑郁症识别中的动态加权多模态融合框架OA

针对现有抑郁症单模态识别方法(如EEG(Electroencephalogram)、面部表情、文本分析)易受环境干扰且识别率有限的问题,提出了MFF-DR-DWA(Multimodal Fusion Framework for Depression Recognition with Dynamic Weight Adjustment)多模态融合框架。其通过动态整合脑电信号、语言特征和面部表情3种异质数据源,并采用自适应加权算法优化各模态贡献度。实验结果表明,在标准测试数据集上,该模型的准确率为99.09%、F1值为99.12%和AUC(Area Under Curve)值为99.97%,其性能显著优于传统单模态分析方法和固定权重融合方案。该多模态融合策略有效提升了抑郁症识别的准确性和鲁棒性。