في عالم يتزايد فيه الاهتمام بالصحة النفسية، تأتي الحاجة إلى تقنيات متقدمة للكشف عن الاكتئاب بشكل أسرع وأكثر دقة. في هذا السياق، تم تقديم إطار عمل مبتكر يعتمد على البيانات الصوتية والمرئية لاستكشاف شدة الاكتئاب الكامنة.

تواجه عمليات الكشف التلقائي عن الاكتئاب تحديات كبيرة، خاصة عند محاولة فصل التوزيعات المتداخلة للخصائص ووضع حدود قرار قوية. لكن، بفضل الابتكارات الجديدة، أصبح بإمكاننا الآن الاستفادة من إطار عمل متعدد الأنماط يجمع بين مشفر زمني (temporal encoder) ومحول متبادل (mutual transformer) لتعزيز الاندماج العميق بين الأنماط المختلفة.

تساهم الخسارة في تصنيف ميزة العائد الثنائي (Binary Advantage-weighting Ranking Loss) في تحسين توزيع الفضاء الكامن عبر آليتين مكملتين: الأولى هي فصل الميزات الموزونة وفقًا للصعوبة، مما يمكننا من استهداف الأزواج الصعبة. بينما تركز الثانية على تقليل التباين داخل الفئة، مما يساعد في تجميع الميزات حول مراكز الفئات الخاصة بها.

أثبتت التجارب الواسعة على مجموعتين من البيانات، D-vlog و LMVD، أن النموذج المقترح يحقق نتائج مبهرة حيث يعيد بناء الهيكل الترتيبي الكامن من خلال إعطاء الأولوية للأزواج الصعبة، مما يؤدي إلى أداء متفوق في الكشف عن الاكتئاب. هذا الابتكار يعد خطوة هامة نحو تقديم أدوات أكثر فعالية لفهم وعلاج الاكتئاب في العصر الرقمي.