基于CSTWD模型的抑郁癥檢測研究

摘要：近年來，抑郁癥文本檢測作為心理健康領域的重要研究方向，對于早期篩查與干預具有顯著的社會價值。現有方法忽略了抑郁與非抑郁樣本誤判代價的差異，導致高危樣本分類風險增加。文章提出了一種基于代價敏感三支決策模型的抑郁癥檢測方法（Depression Detection Algorithm based on Cost-Sensitive Three-Way Decision Model，CSTWD） 。該方法在特征提取階段采用長短期記憶網絡（LSTM） 對Word2Vec生成的詞向量進行上下文語義編碼，構建具有時序關聯性的64維特征表示。針對抑郁癥文本的模糊性特征，引入最小覆蓋三支決策模型，通過動態閾值將樣本分為高危域、健康域和待診域。對于待診域中的高不確定性樣本，設計了加權馬氏距離的代價敏感KNN分類器，重點優化將抑郁癥文本誤判為正常類別的高風險場景。實驗結果表明該方法具有較高的準確率及較低的高危誤判率，有效平衡了檢測精度與醫療風險控制。

關鍵詞：抑郁癥檢測；代價敏感；三支決策；自然語言處理；LSTM

中圖分類號：TP391" "文獻標識碼：A

文章編號：1009-3044（2025）16-0026-04

開放科學（資源服務） 標識碼（OSID） ：

0 引言

抑郁癥是一種以持續情緒低落、興趣喪失、認知功能受損為特征的精神疾病。據世界衛生組織統計，全球抑郁癥患者已超過3億人，且因其高致殘率和社會負擔，成為全球公共衛生領域的重大挑戰。傳統的抑郁癥診斷主要依賴兩類方法：其一是基于DSM-5或ICD-10標準的臨床醫生結構化訪談，該方法通過標準化的癥狀核對清單和多軸評估系統，能夠實現較高的診斷信效度，但對醫生的專業經驗要求嚴格，且存在單次評估耗時長達1～2小時、醫療資源消耗大、文化適應性受限等問題；其二是PHQ-9、BDI等自評量表篩查，這類工具雖具有操作便捷、成本低廉的優勢，適用于社區初篩，但其效度易受患者自我認知偏差（如病恥感導致的癥狀隱瞞） 和量表文化效度的影響，研究顯示PHQ-9在青少年群體中的假陰性率可達23%。隨著社交媒體、在線論壇等平臺的普及，用戶生成文本中蘊含的情感與心理狀態信息為抑郁癥檢測提供了新的數據來源，基于自然語言處理（NLP） 的文本分析抑郁癥檢測已成為研究熱點。

當前基于文本的抑郁癥檢測方法主要分為以下3類：

1） 基于詞典的情感分析。采用預定義情感詞典（如LIWC心理語言學詞典） 統計抑郁相關詞匯的密度，并結合啟發式規則（如連續出現超過3個負面情感詞） 來生成風險評分，以此判斷文本情緒傾向，但其依賴人工構建的詞典，難以捕捉復雜語義與語境差異。

2） 傳統機器學習方法。利用淺層算法（如Logistic回歸、梯度提升樹） 結合文本統計特征（如詞頻、n-gram共現） 進行分類預測。此類模型在均衡數據集上可實現0.79的準確率，但存在兩大缺陷：一是詞袋表示丟失詞序信息，難以捕捉抑郁文本中常見的矛盾修辭（如“快樂的孤獨”） ；二是代價不敏感設計導致高風險誤判，當數據集中健康樣本占比超過80%時，假陰性率急劇上升至34.7%（F1=0.72） [1]。

3） 深度學習方法。該方法采用預訓練語言模型（如RoBERTa、ERNIE） 或時序網絡（如TCN、LSTM） 提取文本深層表征。雖能提取文本深層特征，但在處理類別不平衡數據時易偏向多數類，且缺乏對代價敏感性的顯式優化。

針對上述問題，本文在深度學習進行文本表征的基礎上，提出基于代價敏感三支決策模型（CSTWD） 的抑郁癥檢測方法。CSTWD模型通過以下機制優化現有方法：

1） 深度學習特征提取。利用LSTM模型從文本中提取64維時序特征，增強對抑郁相關語義（如自我否定、未來悲觀） 的捕捉能力。

2） 三支決策劃分。將樣本劃分為正域（明確抑郁癥） 、負域（明確非抑郁癥） 及邊界域（不確定樣本） ，減少高代價誤分類風險[2]。

3） 代價敏感設計。針對邊界域樣本，結合近鄰算法與損失函數，優先降低假陰性誤分類的代價（如設置[λPN]gt;[λNP]） 。

通過融合三支決策的魯棒性與深度學習的表征能力，CSTWD模型在提升檢測精度的同時，更適配抑郁癥檢測中代價敏感的實際需求，為心理健康監測提供高效、低風險的自動化方案。

1 相關工作

近年來，抑郁癥檢測研究根據方法演進可分為兩大階段：基于傳統機器學習的特征驅動方法與基于深度學習的端到端建模方法。

1.1 傳統機器學習方法

早期研究主要通過人工設計特征結合分類算法實現抑郁癥檢測，可進一步細分為以下方向。

1） 社交媒體文本分析：Guntuku[3]等人綜合使用SVM與邏輯回歸分析Reddit用戶的語言特征，比如情感詞頻、自我關注度等，在英文數據集上實現F1值0.76，驗證了社交媒體數據對抑郁預測的有效性，但其特征工程依賴語言學先驗知識，且未解決跨文化場景的泛化問題。

2） 多模態數據融合：Zhang[4]等人采用XGBoost算法融合微博用戶的關注數及轉發頻率，在中文數據集上準確率達85%，但其模型依賴人工特征篩選，難以捕捉隱含語義信息。Bae[5]等人利用隨機森林融合可穿戴設備的心率變異性（HRV） 與運動數據，實現實時抑郁風險評估，靈敏度高達89%，但未解決生理信號與心理狀態的異步性問題。

3） 間接心理健康評估：Garcia-Ceja[6]等人使用SVM分析TripAdvisor評論中的壓力相關詞匯，用于檢測潛在抑郁用戶，壓力檢測準確率達78%，可以間接關聯心理健康評估，但存在語義歧義導致的假陽性問題。

1.2 深度學習方法

隨著預訓練語言模型的興起，研究重點轉向端到端建模，主要分為兩類：

1） 單模態文本建模：Zogan[7]等人提出一種基于BERT和LSTM的多模態框架，用來分析Twitter文本與用戶活躍的時序特征，結果表明該模型對抑郁癥具有良好的檢測效果，但未解決類別不平衡導致的漏檢問題。Cui[8]等人結合TextCNN與多頭注意力機制，在Reddit數據集上顯著提升長文本特征提取能力，但其模型依賴高質量標注數據，實際應用中面臨標注成本限制。Wang[9]等人采用微調中文BERT模型從在線醫療咨詢文本中提取抑郁語義特征信息，F1值高達82%，覆蓋“自殺傾向”“睡眠障礙”等關鍵癥狀，但未覆蓋非顯性抑郁表達（如隱喻性語言） 。

2） 多模態聯合建模：Zhang[10]等人設計一種融合圖像、語音及文本的多模態模型，在抑郁癥數據集上準確率高達92%，多模態數據互補性顯著，但其模型復雜度高，部署成本受限。劉洋[11]融合微博文本、用戶社交圖與移動設備數據，采用圖卷積網絡（GCN） 聯合建模，準確率達87%，但未解決隱私敏感數據的合規使用問題。

通過對現有抑郁癥檢測方法的綜述可見，盡管機器學習和深度學習技術已取得顯著進展，但是傳統模型默認不同類別誤分類損失相同，忽視了“高危樣本漏診”的嚴重后果。針對上述問題，本文提出CSTWD模型。該模型首先對抑郁癥數據集文本進行預處理，接著利用LSTM提取文本時序特征，然后結合覆蓋半徑方法自動生成高置信度區域，最后采用K近鄰算法對邊界樣本進行二次分類，降低誤判風險。該模型的核心創新點包括差異化的損失敏感機制和動態邊界的修正策略。

2 CSTWD模型的構建

本節詳細闡述基于代價敏感三支決策的抑郁癥檢測模型（Cost-Sensitive Three-Way Decision Model，CSTWD） ，包括數據表征、三支域劃分及邊界域優化三部分核心流程。

2.1 文本特征表征

為充分捕捉抑郁相關文本的深層語義與情感特征，設計了多階段特征提取框架。通過多階段特征提取實現從原始文本到高維語義向量的精細化映射。其主要流程如下：

1） 詞語切分與清洗：針對中文社交媒體文本的復雜性，采用Jieba分詞工具對中文文本進行精確切分，結合哈工大停用詞表去除無情感含義的助詞（如“的”“了”） 。同時，針對社交媒體文本特性，保留情感強度詞（如“絕望”“崩潰”） 及網絡用語（如“emo”“躺平”） 。

2） 詞向量映射：使用預訓練Word2Vec模型將詞語映射為向量。

3） 上下文特征提取：構建雙向LSTM網絡（隱藏層維度64） 。LSTM（長短期記憶網絡） 通過輸入門、遺忘門和輸出門的門控機制，有效捕捉文本中的情感依賴關系，其優勢在于處理可變長度序列時能避免梯度消失問題，適用于抑郁癥文本的長程語義建模。輸入詞向量序列后，網絡輸出時序聚合特征。

2.2 三支決策域劃分

為將樣本劃分為高置信度的正域（高危） 、負域（健康） 及需進一步分析的邊界域，本文基于最小覆蓋算法（MinCA） 設計了一種動態三支決策機制，具體流程如下：

1） 歸一化處理：為了確保不同特征維度對距離計算的貢獻均衡，避免高方差特征主導分類結果，需對LSTM輸出的64維特征向量進行Min-Max歸一化，消除量綱差異，具體公式如下所示：

[x'=x-min（X）max（X）-min（X）]" "（1）

式中：[x]為樣本的特征值，[min（X）]為最小樣本特征值，[max（X）]為最大樣本特征值。[x']為歸一化后的樣本的特征值。

2） 覆蓋半徑選擇。采用最小半徑法確定覆蓋半徑，其核心原理是通過平衡類內緊密度與類間分離度，確保覆蓋區域內樣本類別一致性。具體而言，對于每一個候選覆蓋中心[xk]，首先計算其與同類樣本之間的最大距離[θintra]，該距離反映了同類樣本在特征空間中的分布廣度；若[θintra]較大，表明同類樣本分布較分散，需較大的覆蓋半徑以囊括所有同類；反之則說明類內結構緊密。同時計算其與最近異類樣本之間的最小距離[θinter]，用于衡量類別間的分離程度。[θinter]越小，說明類間邊界越近，需更嚴格的覆蓋半徑以避免越界。基于這兩類距離，覆蓋半徑[θk]的最終取值規則定義為二者中的較小值，即：[θk]=min（[θintra]，[θinter]）。若[θintra]lt; [θinter]，說明同類分布緊密且異類距離較遠，此時半徑由類內緊密度決定，確保覆蓋所有同類樣本。若[θinter]lt; [θintra]，則異類鄰近，需縮小半徑以避免覆蓋區域侵入異類空間，保證類別純凈性。該方法自適應性強，無須人工設定固定半徑，根據數據分布動態調整，尤其適合類別邊界模糊或分布不均衡的場景（如醫學診斷、金融風控） 。

3） 迭代覆蓋生成：隨機選擇未被覆蓋的樣本[xk]作為中心，生成半徑為[θk]的覆蓋[Ck]。標記[Ck]內所有樣本為“已覆蓋”，并記錄覆蓋類別。重復上述過程，直至所有樣本被至少一個覆蓋包含。刪除樣本數少于5的覆蓋，避免噪聲干擾。

4） 三支域劃分規則：基于覆蓋集合的生成，樣本通過置信度評估與覆蓋隸屬關系被劃分為正域（POS） 、負域（NEG） 及邊界域（BND） 。具體規則如下：若樣本被至少一個同類覆蓋完全包含，對于樣本[xk]，遍歷所有同類覆蓋中心，計算[xk]到每個同類覆蓋中心的歐氏距離[dk]，若存在至少一個[k]，滿足[dk]≦[θk]（覆蓋半徑） ，則[xk]屬于正域。若樣本被至少一個異類覆蓋完全包含，對于樣本[xk]，遍歷所有異類覆蓋中心，計算[xk]到每個異類覆蓋中心的歐氏距離[dk]；若存在至少一個[k]，滿足[dk]≦[θk]（覆蓋半徑） ，則[xk]屬于負域。若樣本未被任何同類或異類覆蓋完全包含，即樣本位于不同類別覆蓋的間隙區域（稀疏分布） 或者樣本距離所有覆蓋中心的距離均超過其半徑，則[xk]屬于邊界域。

若存在至少一個 （ c_{j}），滿足 （ d（x， c_{j}） ＼leq r）（覆蓋半徑） ，則 （x） 屬于負域。若樣本未被任何同類或異類覆蓋完全包含，即樣本位于不同類別覆蓋的間隙區域（稀疏分布） 或者樣本距離所有覆蓋中心的距離均超過其半徑，則屬于邊界域。

2.3 邊界域代價敏感分類

針對邊界域中分類不確定性較高的樣本，本文采用基于鄰近關系與代價敏感策略的二次決策機制，以提升分類精度并減少高代價誤判。具體步驟如下：

1） 鄰近樣本篩選。

對于邊界域中的任意樣本[xi]，通過最小覆蓋算法（MinCA） 確定其鄰域范圍。在確定的鄰域范圍內，篩選K個最近鄰樣本，并基于特征重要性分配權重。首先計算加權歐氏距離：定義特征維度權重[wm]，通過互信息法評估各維度對分類的貢獻度，計算加權距離d（[xi]，[xj]），根據距離排序，選取前K個樣本作為參考集[Nk]（[xi]）。

2） 代價敏感分類決策。

設[lPN]為將正類樣本誤判為負類的代價，[lNP]為反向誤判代價，并針對不同場景設定非對稱代價。統計鄰域內正負類樣本數[Npos]、[Nneg]，計算條件概率：

P（POS|[xi]） =[ NposK]，P（NEG|[xi]） = [NnegK] （2）

式中：K為該樣本周圍最近鄰的鄰居數量，P（POS|[xi]） 為[xi]被劃分為正域（高危域） 的條件概率，P（NEG|[xi]） 為[xi]被劃分為負域（健康域） 的條件概率。

根據代價矩陣分別計算將[xi]劃入正域和負域的期望損失：

[LPOS]=[lPP]?P（POS∣[xi]）+[lPN]?P（NEG∣[xi]）

[LNEG]=[lNP]?P（POS∣[xi]）+[lNN]?P（NEG∣[xi]） （3）

若[LPOS]＜[LNEG]，將[xi]劃入正域；否則劃入負域。在實驗設計階段，為了減弱損失函數絕對值對模型性能的潛在干擾，本文通過引入修正系數對代價函數進行了再定義。調整后的代價矩陣如表1所示。

3 實驗與結果

3.1 數據集

為驗證本文提出的CSTWD模型在抑郁癥檢測任務中的有效性，實驗選取了GitHub上的數據集和eRisk2018數據集，來源于社交媒體Twitter及Reddit平臺中用戶發布的帖子。GitHub平臺數據集包含4 628條短文本，訓練集占90%，測試集占10%，正負域各占50%。eRisk2018數據集包含1 639個Reddit用戶，其中訓練集有887名用戶，包含抑郁癥患者135名，非抑郁癥患者752名；測試集有820名用戶，包含抑郁癥患者79名，非抑郁癥患者741名。這些用戶中，抑郁癥患者和對照組用戶的數量是不均衡的，訓練集中抑郁癥患者大約占15%，測試集中約占9%。詳見表2。

3.2 實驗設置

為確保模型性能評估的可靠性，本研究采用十折交叉驗證法對文本數據集進行多次訓練與測試。具體而言，將數據集隨機劃分為10個子集，每次選取9個子集作為訓練集，剩余1個子集作為測試集，重復10次實驗后取各項指標的均值作為最終結果。

在邊界域樣本分類階段，模型涉及兩個核心參數：誤分類代價權重和鄰域范圍參數K值。誤分類代價權重[lNP]、[lPN]的大小是針對不同場景設定非對稱權重的。比如，對于推特上的抑郁癥數據文本檢測，誤將抑郁傾向文本判為正常（FN） 可能導致延誤心理干預和危機預警，因此賦予其更高代價權重。對于推特數據集來說，可以設置誤分類損失函數滿足[lNP]﹥[lPN]。本實驗中針對推特平臺抑郁癥數據集，設置[lNP]=2，[lPN]=1。

該實驗在區間[4，41]內搜索最優鄰域大小[Kmax]。通過遍歷不同K值，計算各取值下的總分類損失，選擇損失最小的[Kmax]作為最終參數。每個K值對應的總分類損失如圖1所示[12]。其中，橫坐標表示K值的大小，縱坐標表示每個K值下的總分類損失。

3.3 結果對比

本文所提出的CSTWD算法與NB、SVM、DT、RF以及KNN等模型的檢測方法進行對比，評價指標是分類的準確率（Accuracy） 和F1分數。其中，準確率衡量模型整體預測正確的樣本比例，適用于類別分布相對平衡的場景。F1值是精確率（Precision） 和召回率（Recall） 的調和平均數，綜合反映模型對正類的識別能力，適用于類別不平衡或需平衡誤報與漏報的場景（如醫療診斷） 。準確率和F1分數的計算公式如下：

Accuracy=[TP+TNTP+FP+TN+FN]

Precision=[TPTP+FP]

Recall=[TPTP+FN]

F1=2*[Precision*RecallPrecision+Recall]

式中：TP：實際為正類且被正確預測為正類的樣本數；TN：實際為負類且被正確預測為負類的樣本數；FP：實際為負類且被錯誤預測為正類的樣本數；FN：實際為正類且被錯誤預測為負類的樣本數。所有實驗對文檔的處理均是相同的，其對比結果如表3和表4所示。

通過表3和表4可以看出，CSTWD模型在短文本（推特） 與長文本（eRisk2018） 任務中均展現卓越性能，其優勢源于自適應特征提取與決策機制。具體來說，一方面，短文本場景下面臨的挑戰是短文本信息稀疏，包含非正式語言（縮寫、表情符號） 、上下文依賴性強。CSTWD的優勢體現在覆蓋半徑的動態調整和三支域劃分規則。實驗表明，準確率高達99.97%，顯著優于SVM（99.74%） 和KNN（99.60%） ，說明其對細微語義差異的敏感性。另一方面，長文本場景面臨的挑戰是長文本隱含復雜語義（如情緒波動描述） 和類別不平衡（抑郁癥樣本較少） 。CSTWD的優勢體現在覆蓋算法的邊界控制，以及在邊界域管理下將不確定樣本（如模糊描述） 劃入BND，結合后續規則，提升召回率。結果顯示F1值為0.861，遠超BERT（0.641） 和HAN-BERT（0.683） ，表明其對長文本深層語義的解析能力。

4 結束語

本文提出了一種基于代價敏感三支決策的抑郁癥檢測模型（CSTWD） ，通過融合多維度特征提取與動態鄰域優化機制，實現了對高危抑郁個體的精準篩查。具體而言，模型首先利用Word2Vec與LSTM對文本進行語義編碼，生成64維特征向量；隨后基于最小覆蓋算法（MinCA） 將樣本劃分為高危域、健康域及邊界域；針對邊界域中的模糊樣本，引入K近鄰代價敏感分類器，通過動態調整誤分類代價權重與鄰域范圍，顯著降低了高危漏診風險。實驗表明，該方法在抑郁癥數據集上的F1值達到86.1%，誤診代價較傳統模型降低。

由此可見，CSTWD模型在抑郁癥檢測任務中展現了廣泛的應用潛力。首先，其核心適用于抑郁癥高危個體篩查，尤其在社交媒體文本（如推特、論壇帖子） 分析中表現突出，能夠有效識別隱含復雜語義的長文本（如情緒波動描述或臨床自述） ，精準捕捉抑郁癥相關風險信號。其次，該模型在短文本與長文本分類任務中均具備顯著優勢：對于短文本（如推特） ，其動態覆蓋半徑機制可精準解析非正式語言（如縮寫、表情符號） 的細微語義差異；對于長文本，則通過三支域劃分規則深入挖掘深層情感特征，避免傳統模型對復雜語義的解析不足。此外，CSTWD模型特別適用于醫療診斷、金融風控等高精度低代價場景，其邊界域機制通過隔離不確定性樣本，顯著平衡誤報（FP） 與漏報（FN） 風險，例如在醫療場景中可降低高危個體的誤判概率，為精準決策提供可靠支持。

然而，模型在實際應用中存在代價權重依賴精神科醫生專家經驗的問題，需聯合醫院電子病歷數據，構建基于臨床結局（如自殺風險等級） 的代價量化映射表。另外，針對MinCA算法在面對大規模社交媒體數據時，覆蓋集生成耗時呈指數增長，需優化特征提取與覆蓋生成算法的時間復雜度。未來工作將聚焦于多模態數據（如語音、生理信號） 的融合建模，例如通過跨模態對比學習對齊文本描述（如“胸口壓抑”） 與生理信號（如心率變異性） ，并結合聯邦學習技術，在保障用戶隱私的前提下實現跨平臺抑郁癥風險監測，為心理健康服務的智能化升級提供技術支持。

參考文獻：

[1] SADEQUE F，NGUYEN D，WALKER M A.Predicting Depression from Language-Based Emotion Dynamics[C]//Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology：From Keyboard to Clinic.New Orleans，LA：Association for Computational Linguistics，2018：39-49.

[2] YAO Y Y.An outline of a theory of three-way decisions[C]//Rough Sets and Current Trends in Computing.Berlin，Heidelberg：Springer，2012：1-17.

[3] GUNTUKU S C，YADEN D B，KERN M L，et al.Detecting depression and mental illness on social media：an integrative review[J].Current Opinion in Behavioral Sciences，2017，18：43-49.

[4] ZHANG L，WANG S，LIU Y，SU Y.Depression Detection on Chinese Social Media：A Hybrid Model with XGBoost and Social Network Analysis[J].Journal of Affective Disorders，2021，282：1025-1033.

[5] BAE Y，SONG J，CHOI S，et al.Real-Time Depression Monitoring via Wearable PPG Sensors：A Random Forest Approach[J].IEEE Journal of Biomedical and Health Informatics，2022，26（3）：1234-1243.

[6] GARCIA-CEJA E，OSMANI V，MAYORA O.Tourism Reviews and Mental Health：A Feasibility Study on Stress Detection[J].Journal of Travel Research，2020，59（5）：912-927.

[7] ZOGAN H，JUNG J，SHAIK M，et al.Explainable Depression Detection with Multimodal Deep Learning on Social Media[J].IEEE Transactions on Affective Computing，2021，14（1）：45-58.

[8] CUI Y，PENG Y，TANG Z，et al.A Hybrid CNN-BiLSTM Model with Multi-Head Attention for Depression Detection on Social Media[J].Information Processing amp; Management，2022，59（4）：102987.

[9] WANG H，YAO Y，ZHANG X，et al.BERT-Based Depression Detection in Chinese Medical Consultation Texts[J].BMC Medical Informatics and Decision Making，2023，23（1）：1-12.

[10] ZHANG Y，LI Z，LIU Y，et al.A Multimodal Deep Learning Framework for Depression Detection Using Audio，Video，and Text[J].Proceedings of the ACM Multimedia Conference，2020：3382-3390.

[11] 劉洋，王雪鋒，韓昱，等.基于多源數據融合的抑郁癥識別模型[J].計算機學報，2021，44（6）：1203-1215.

[12] 計博婧，余靜瑩，陳潔.基于鄰域信息的代價敏感三支決策文本情感分析模型[J].宿州學院學報，2020，35（4）：75-80.

[13] ARAGóN M E，LóPEZ-MONROY A P，GONZáLEZ-GURROLA L C，et al.Detecting depression in social media using fine-grained emotions[C]//Proceedings of the 2019 Conference of the North.Minneapolis，Minnesota.Stroudsburg，PA，USA：ACL，2019：1481-1486.

[14] DEVLIN J，CHANG M W，LEE K，et al.Bert：Pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of the 2019 conference of the North American chapter of the association for computational linguistics：human language technologies，volume 1 （long and short papers），2019：4171-4186.

[15] LIU Y H，OTT M，GOYAL N，et al.RoBERTa：a robustly optimized BERT pretraining approach[EB/OL].[2024-12-20].https：//arxiv.org/abs/1907.11692v1.

[16] ZOGAN H，RAZZAK I，WANG X Z，et al.Explainable depression detection with multi-aspect features using a hybrid deep learning model on social media[J].World Wide Web，2022，25（1）：281-304.

[17] ZHANG Z L，CHEN S Y，WU M Y，et al.Psychiatric scale guided risky post screening for early detection of depression[C]//Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence.International Joint Conferences on Artificial Intelligence Organization，2022：5220-5226.

【通聯編輯：唐一東】