[发明专利]结合多级特征依赖与多尺度上下文特征的抑郁识别方法

权利要求书

1.一种结合多级特征依赖与多尺度上下文特征的抑郁识别方法，其特征在于，所述抑郁识别方法包括以下步骤：

S1，搭建ResNet101网络作为模型特征提取层，使用ELU作为激活函数并添加BN层，获得C²、C³、C⁴及C⁵四个代表不同级别语义信息和细节信息的情感表征；

S2，将步骤S1中获得的多级情感表征输入到多层双向门控网络，提取多级特征间的依赖关系，连接双向输出，得到图像的关联表示V；

S3，将步骤S1中获得的多级情感表征送入多尺度自适应上下文模块，提取相应的多尺度上下文特征，通过跨级融合得到各级的多尺度情感表示0³、O⁴和O⁵；

S4，将C⁵级情感表征导入卷积注意力模块，获得带有显著情感区域的情感表示D；

S5，将多尺度情感表示O³、O⁴、O⁵和带有显著情感区域的情感表示D及图像的关联表示V进行特征融合，得到多线索情感特征E；

S6，将多线索情感特征E送入全局平均池，通过两个全连接层得到是否抑郁及抑郁严重程度两个标签。

2.根据权利要求1所述的结合多级特征依赖与多尺度上下文特征的抑郁识别方法，其特征在于，步骤S6中，通过两个完全连接的分类网络对多线索情感特征E进行分类，其中一个分类网络用于生成标识是否抑郁的标签，另一个分类网络用于预测抑郁严重程度得分。

3.根据权利要求1所述的结合多级特征依赖与多尺度上下文特征的抑郁识别方法，其特征在于，步骤S1中，所述模型特征提取层包括多个依次相连的残差块，每个残差块的卷积层后连接有BN层，并且残差块采用的激活函数为ELU激活函数。

4.根据权利要求3所述的结合多级特征依赖与多尺度上下文特征的抑郁识别方法，其特征在于，所述残差块包括依次连接的第一卷积层、第一BN层、第二卷积层、第二BN层、第三卷积层、第三BN层和加法层；

所述第一卷积层采用64个1*1的卷积核对导入的深度为256维度的原始特征矩阵进行卷积，使特征矩阵的深度降维至64维度，第一卷积层的输出结果经第一BN层归一化处理后再采用ELU激活函数激活，以输出第一特征矩阵；所述第二卷积层采用64个3*3的卷积核对第一卷积层输出的深度为64维度的第一特征矩阵进行卷积，第二卷积层的输出结果经第二BN层归一化处理后再采用ELU激活函数激活，输出第二特征矩阵；所述第三卷积层采用256个1*1的卷积核对第二卷积层输出的深度为64维度的第二特征矩阵进行卷积，使特征矩阵的深度升维到256维度，第三卷积层的输出结果经第三BN层归一化处理后直接输出第三特征矩阵；

所述加法层用于将导入第一卷积层的深度为256维度的原始特征矩阵和第三卷积层输出的升维到256维度的第三特征矩阵进行相加操作，采用ELU激活函数激活后输出相应的情感表征结果。

5.根据权利要求1所述的结合多级特征依赖与多尺度上下文特征的抑郁识别方法，其特征在于，步骤S2中，将从低级到高级和从高级到低级的特征作为两种顺序数据，采用多层双向门控网络以融合不同的依赖关系。