3系统需求分析

3.1 环境需求分析

3.1 环境需求分析

####3.1.1 软件与硬件需求

• 本系统设计运行于Windows 10操作系统。
• 系统开发需要适当的硬件配置，包括Intel(R)Core(TM)i5-10300H处理器和GeForce GTX 1650 Ti显卡。
• 软件需求包括Anaconda 4.12.0、Python 3.9.7、PyTorch 1.10.1（CPU版本）、CUDA 10.2和MySQL 8.0.25。
• 开发环境为PyCharm，为Python语言提供了一套综合性的开发工具集。
• 前端界面采用PyQt5框架，提供与Qt库的无缝集成，支持跨平台图形用户界面开发。

3.1.2 语言与框架选择

• 系统开发主要使用Python语言，因其语法清晰和标准库强大，尤其在深度学习领域。
• Python的深度学习能力得到了多个框架的支持，简化了复杂算法和模型的实现过程。
• PyQt5框架能够利用Python的简洁性和功能，快速构建具备多种交互功能的桌面应用程序。

3.2 系统功能分析

3.2 系统功能分析

####3.2.1 功能模块

• 自我检测问答功能：用户填写调查问卷，系统通过计算分析用户回答，初步判断精神状态。
• 抑郁程度分析功能：用户通过语音回答问题，系统调用深度学习模型进行分析，判断是否患有抑郁症。
• 智能问答功能：用户通过文本搜索或语音搜索获取抑郁症相关知识，系统通过相关度匹配生成答案。

3.2.2 用户交互

• 系统用户界面完全采用中文，采用图形用户界面设计，确保界面美观、简洁，操作直观流畅。
• 用户可通过文本搜索或语音搜索提问，系统提取问题内容，匹配数据库中相关问题，生成答案。

3.3 性能需求分析

3.3 性能需求分析

####3.3.1 性能要求

• 系统需在不同平台保持高度稳定性，适应各类环境。
• 系统设计应具备良好的扩展潜力，适应未来功能扩展。
• 系统需提供亲切的用户交互环境，操作界面简洁直观，确保用户体验。

3.4 系统设计

3.4.1 抑郁分析模型构建

3.4.1.1 数据处理

• 音频数据完整性检查，初步划分和处理，分割音频文件，计算梅尔频率倒谱系数并标准化。
• 数据集标签化，便于后续处理和模型训练。

3.4.1.2 神经网络模型构建

• 构建深度神经网络模型，包含一维卷积层、批归一化层、最大池化层、长短期记忆层、Dropout层和全连接层。
• 模型架构设计考虑音频数据的时序依赖性和对局部特征与全局特征的捕捉能力。
• 训练过程中使用交叉熵损失函数评估模型预测结果，记录训练周期内的损失和准确率。
• 模型训练完成后进行全面的评估，包括可视化损失与准确率变化趋势。

3.4.2 抑郁分析

3.4.2.1 表格分析

• 使用pyqt5构建抑郁判断分析界面，包含问题介绍标签和20个问题的问卷。
• 用户选择后，系统调用评分函数，根据评分得出结论并输出到主界面。

3.4.2.2 语音分析

• 用户上传音频，系统处理音频使其与数据集格式一致，调用预测函数和训练好的模型进行分析。
• 分析结果反馈到主界面，供用户查看。

3.4.3 抑郁知识问答

3.4.3.1 问答功能

• 使用pyqt5构建抑郁知识问答功能界面，包含录音按钮、语音问题搜索按钮、搜索框、提交按钮和展示文本框。
• 用户提出问题，系统提取问题内容，连接数据库查询比对，返回最接近的问题与答案。

3.4.3.2 用户交互优化

• 用户可通过录音或搜索框提问，系统提供即时反馈，确保用户体验的流畅性和直观性。