| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 基于语音信号的抑郁症识别国内外研究现状 | 第12-13页 |
| 1.3.1 国内研究现状 | 第12页 |
| 1.3.2 国外研究现状 | 第12-13页 |
| 1.4 面临的挑战与存在的问题 | 第13-14页 |
| 1.5 研究内容及论文章节安排 | 第14-15页 |
| 第二章 基于语音信号的抑郁症识别基本理论 | 第15-20页 |
| 2.1 抑郁症概述 | 第15-16页 |
| 2.1.1 抑郁症的定义 | 第15页 |
| 2.1.2 抑郁症的分类 | 第15-16页 |
| 2.1.3 抑郁症识别方法途径 | 第16页 |
| 2.2 语音的定义 | 第16-17页 |
| 2.3 抑郁症语言行为临床表现 | 第17页 |
| 2.4 基于语音信号的抑郁症识别常用机器学习模型概述 | 第17-20页 |
| 2.4.1 支持向量机(SVM) | 第18页 |
| 2.4.2 K近邻法(KNN) | 第18页 |
| 2.4.3 集成学习方法(Ensemble Learning) | 第18-20页 |
| 第三章 基于多种深度学习方法相结合的抑郁症识别研究 | 第20-26页 |
| 3.1 卷积神经网络和生成式对抗网络模型 | 第20-22页 |
| 3.1.1 卷积神经网络(CNN) | 第20-21页 |
| 3.1.2 生成式对抗网络(GAN) | 第21-22页 |
| 3.2 模型融合 | 第22-24页 |
| 3.3 抑郁症的识别过程 | 第24-26页 |
| 第四章 实验设计与结果分析 | 第26-40页 |
| 4.1 数据集 | 第26-28页 |
| 4.1.1 AViD-Corpus抑郁症语音数据集 | 第27页 |
| 4.1.2 DAIC-WOZ抑郁症语音数据集 | 第27-28页 |
| 4.2 语音信号预处理 | 第28-29页 |
| 4.3 特征提取 | 第29-30页 |
| 4.3.1 梅尔频率倒谱系数(MFCC) | 第29页 |
| 4.3.2 线性预测倒谱系数(LPCC) | 第29页 |
| 4.3.3 InterSpeech2009语音特征集 | 第29-30页 |
| 4.3.4 频谱图(Spectrogram) | 第30页 |
| 4.4 实验结果对比分析 | 第30-38页 |
| 4.4.1 实验结果评估指标 | 第30-33页 |
| 4.4.2 实验结果对比分析 | 第33-38页 |
| 4.5 实验结果评价及模型选择 | 第38-40页 |
| 第五章 基于集成学习模型的抑郁症识别系统的设计与实现 | 第40-54页 |
| 5.1 Android平台的搭建 | 第40-42页 |
| 5.2 抑郁症识别系统实现技术简介 | 第42-43页 |
| 5.2.1 XML页面布局语言简介 | 第42-43页 |
| 5.2.2 Java函数功能实现语言简介 | 第43页 |
| 5.3 抑郁症识别系统设计 | 第43-46页 |
| 5.3.1 总体设计 | 第43-44页 |
| 5.3.2 功能模块 | 第44-45页 |
| 5.3.3 系统流程 | 第45-46页 |
| 5.4 抑郁症识别系统功能实现 | 第46-52页 |
| 5.5 抑郁症识别系统测试 | 第52-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60页 |
