【C0153】基于 PDCH 数据集的抑郁问诊文本与语音情绪识别实验

本项目基于 PDCH 中文抑郁问诊数据集，围绕抑郁问诊文本、语音情绪信息与 HAMD-17 抑郁量表评分识别展开复现实验。PDCH 数据集包含真实医患问诊场景下的中文问诊文本、原始音频、音频情绪标注以及专业人员填写的 HAMD-17 量表评分。本项目的核心目标，是比较纯文本输入、文本结合语音情绪标注输入，以及原始音频文本输入在 HAMD-17 因子评分任务中的与普通文本分类任务不同，本项目并不是简单判断患者是否抑郁，而是要求模型根据完整问诊内容，对 HAMD-17 中的 17 个症状因子进行结构化评分，包括抑郁情绪、有罪感、自杀、睡眠问题、工作兴趣、迟滞、激越、焦虑、躯体症状和自知力等。项目整体流程包括 HAMD 标签标准化处理、问诊 JSON 数据生成、模型推理、结构化结果解析和 17f1 指标评估。项目主要设计了三组实验。第一组为 Text-only，即仅使用医患问诊文本；第二组为 Text + Audio Emotion，即在问诊文本基础上加入语音情绪标注；第三组为 Audio-text，即尝试直接输入原始音频与文本进行多模态识别。实验结果显示，纯文本模型可以完成基础 HAMD-17 因子评分任务，但效果有限；当加入语音情绪标注后，模型识别效果明显提升，说明患者语音中的情绪信息能够为抑郁问诊识别提供有效补充。本项目的价值在于，它不仅复现了 PDCH 数据集上的抑郁问诊识别流程，还进一步比较了文本信息、语音情绪信息和原始音频输入在 HAMD-17 因子评分任务中的表现，为心理健康 AI 中“文本 + 语音情绪”融合建模提供了一个可复现的实验案例。参考文献如下：

1.Mossie, A., Kindu, D. & Negash, A. Prevalence and severity of depression and its association with substance use in jimma town, southwest ethiopia. Depression research and treatment 2016, 3460462 (2016).

2.Caiping, L. et al. Number and characteristics of medical professionals working in chinese mental health facilities. Shanghai Archives of Psychiatry 25, 277 (2013).

3.Hou, Z., Jiang, W., Yin, Y., Zhang, Z. & Yuan, Y. The current situation on major depressive disorder in china: research on mechanisms and clinical practice. Neuroscience bulletin 32, 389–397 (2016).

4.Organization, W. H. et al. Depression and other common mental disorders: global health estimates. (2017).等

本项目完成了 PDCH 数据集上的文本模型、语音情绪增强模型和原始音频多模态模型的初步评估。实验以 HAMD-17 因子级 F1 指标 17f1 作为主要评价指标，用于衡量模型对 17 个抑郁量表因子评分的识别效果。

当前核心结果如下：

从结果可以看出，仅使用问诊文本时，Qwen2.5-1.5B-Instruct 的 17f1 为 0.151，说明模型能够完成一定程度的 HAMD-17 因子评分任务，但整体识别能力仍然有限。加入语音情绪标注后，同一模型的 17f1 提升至 0.354，说明语音情绪信息能够明显增强模型对患者心理状态的理解能力。这一结果表明，在抑郁问诊识别中，文本提供了基础语义信息，而语音情绪能够提供额外的心理状态线索，例如情绪低落、焦虑紧张、表达迟缓、语气变化和消极情绪强度等。相比单纯文本输入，文本结合语音情绪标注更有助于模型识别 HAMD-17 因子。Audio-text 实验使用 Qwen2-Audio-7B-Instruct 直接输入原始音频与文本，当前 17f1 为 0.107。该结果说明原始音频多模态输入具有一定探索价值，但受限于推理成本、音频处理复杂度和结构化输出稳定性，当前效果不如 Text + Audio Emotion。因此，本项目将 Audio-text 作为探索性实验，而将 Text + Audio Emotion 作为当前最有解释价值的主要结果。总体来看，本项目验证了语音情绪信息在抑郁问诊识别任务中的补充价值。相比纯文本输入，加入语音情绪标注后，模型对 HAMD-17 因子的识别效果明显提升，说明未来心理健康 AI 不应只关注患者“说了什么”，也应关注患者“怎么说”。