5系统实现
5.1 抑郁分析模型构建
5.1.1 数据处理
5.1.1.1 数据集构建与分割
- 本文使用的数据集来源于root_dir目录，包含健康对照组和重性抑郁障碍组。
- 首先定义包含两个类别的列表categories，然后调用get_dataset_split函数进行数据集分割。
- 该函数遍历每个类别的文件夹，收集所有以.wav结尾的音频文件，并将其与相应的类别标签配对。
- 函数返回两个元组，分别包含训练集和验证集的音频文件路径及对应的标签。
5.1.1.2 特征提取
- 音频特征提取通过extract_features函数完成，利用librosa库加载音频文件，并计算13个梅尔频率倒谱系数（MFCCs）。
- 函数返回代表音频声学特性的二维数组，即MFCCs的时频图。
5.1.1.3 特征标准化
- 通过pad_or_trim函数对特征进行标准化处理，确保所有输入特征具有统一的尺寸，兼容后续的神经网络模型。
5.1.1.4 数据集实例化
- 定义AudioDataset类，接收音频文件路径列表、对应的标签列表以及最大特征长度。
- 在类的构造函数中，调用extract_features函数提取特征，并通过pad_or_trim函数进行标准化。
5.1.2 神经网络模型初始化
5.1.2 神经网络模型初始化
- 初始化神经网络模型AudioClassifier，输入层接收音频数据的MFCCs作为输入。
- 网络结构中包含两个一维卷积层、最大池化层、批量归一化层、LSTM层、Dropout层和两个全连接层。
- 定义前向传播过程，通过卷积层和LSTM层提取特征，通过全连接层进行分类。
5.1.3 数据加载器的配置与初始化
5.1.3 数据加载器的配置与初始化
- 使用PyTorch框架中的DataLoader类高效地进行音频数据集的加载和批量处理。
- 为训练数据集train_dataset和验证数据集val_dataset分别配置DataLoader对象。
5.1.4 计算设备的选择与配置
5.1.4 计算设备的选择与配置
- 利用torch.device函数智能地选择计算设备，以优化模型训练和评估的计算效率。
5.1.5 模型训练流程
5.1.5 模型训练流程
- 模型训练过程由train_model函数执行，执行多轮次训练与验证，记录并优化性能。
- 训练结束后，使用matplotlib库绘制性能指标随训练进度的变化图表。
5.2 抑郁分析
5.2.1 表格分析
5.2.1 表格分析
- 构建SDS调查表格，用户通过选择问题对应的答案来完成问卷。
- 计算得分，根据得分计算标准分，判断用户的抑郁程度并分类为正常、轻度抑郁，重度抑郁和重度抑郁。
- 使用QMessageBox.information显示一个信息框，向用户展示他们的标准分和抑郁程度评估结果。
5.2.2 语音分析
5.2.2 语音分析
- 用户通过open_file_dialog方法在图形用户界面中打开文件选择对话框，选择音频文件。
- 加载预训练的抑郁分析模型AudioClassifier，对音频文件进行预测，判断音频中是否存在抑郁倾向。
- 解析预测结果，生成相应的文本消息，使用户能够直观地了解自己的音频文件所表达的精神状态。
5.3 抑郁知识问答
- 使用腾讯云的自动语音识别（ASR）服务将指定路径的音频文件转换为文本。
- 数据库连接与查询建立，执行SQL查询来获取数据库中的所有问题，计算用户输入问题与数据库中每个问题的相关度。
- 查找最相关问题，通过执行SQL查询来从数据库中检索这个最相关问题的答案。
