基于频谱分析的行为基元在抑郁症识别中的应用

1. 论文研究背景与核心问题

这篇题为《Spectral Representation of Behaviour Primitives for Depression Analysis》的论文聚焦于利用行为基元的频谱表征进行抑郁症分析。抑郁症作为全球范围内的重要公共卫生问题，其早期识别和准确评估一直是临床心理学和计算行为分析领域的重点研究方向。

传统抑郁症评估主要依赖量表问卷和临床访谈，存在主观性强、评估周期长等局限性。近年来，计算行为分析技术通过客观量化患者的行为特征，为抑郁症识别提供了新的技术路径。其中，行为基元（Behaviour Primitives）作为构成复杂行为的基本单元，能够有效捕捉与抑郁症状相关的微观行为模式。

2. 频谱表征的技术原理

2.1 行为基元的概念解析

行为基元是指不可再分的最小行为单元，例如：

• 面部表情的肌肉运动单元
• 语音中的基频变化模式
• 肢体运动的加速度特征
• 眼动轨迹的扫视模式

这些基元具有时间序列特性，可以通过信号处理技术进行特征提取。论文创新性地采用频谱分析方法，将时域行为信号转换到频域进行表征。

2.2 傅里叶变换在行为分析中的应用

论文采用短时傅里叶变换（STFT）处理行为信号：

python复制# 伪代码示例：行为信号的STFT处理
import numpy as np
from scipy import signal

def extract_spectral_features(behavior_signal, fs=100):
    f, t, Zxx = signal.stft(behavior_signal, 
                          fs=fs,
                          nperseg=256)
    # 提取特定频带能量
    delta = np.mean(Zxx[0:4,:], axis=0)
    theta = np.mean(Zxx[4:8,:], axis=0) 
    alpha = np.mean(Zxx[8:12,:], axis=0)
    return {'delta':delta, 'theta':theta, 'alpha':alpha}

这种变换可以