同时引出了随着深度学习的发展，研究者尝试用各种线索来进行抑郁症的诊断，抑郁症检测的方法，提取患者的视觉语音线索，从音频、视觉、文本到多模态。Research context：文章是一篇关于基于音视觉线索来检测抑郁症的综述，文章分别介绍了抑郁症目前的现状、数据集的研究发展、研究方法历程：1.基于音频的抑郁症评估 2.基于视觉的抑郁症评估 3.基于音视频的抑郁症评估（多模态）、以及总结问题、提出展望。

（1）目前抑郁症的现状（WHO），传统研究方法的缺陷，总结之前研究的方法，以及不足，提出自己的研究，研究意义。（2）介绍研究方法：建立数据集（包括社交网络文本数据、步长数据）、模型（Bert、3D卷积、LSTM）、训练。使用多元数据结合集成模型训练来进行抑郁倾向的检测，主要内容:数据集的获取，模型的建立，训练和测试效果。3.数据源较少，社交文本数据比较难以收集，仅仅依靠步态数据进行预测准确度不够，

（1）目前抑郁症的现状（WHO），传统研究方法的缺陷，总结之前研究的方法，以及不足，提出自己的研究，研究意义。（2）介绍研究方法：建立数据集（包括社交网络文本数据、步长数据）、模型（Bert、3D卷积、LSTM）、训练。使用多元数据结合集成模型训练来进行抑郁倾向的检测，主要内容:数据集的获取，模型的建立，训练和测试效果。3.数据源较少，社交文本数据比较难以收集，仅仅依靠步态数据进行预测准确度不够，

（1）目前抑郁症的现状（WHO），传统研究方法的缺陷，总结之前研究的方法，以及不足，提出自己的研究，研究意义。（2）介绍研究方法：建立数据集（包括社交网络文本数据、步长数据）、模型（Bert、3D卷积、LSTM）、训练。使用多元数据结合集成模型训练来进行抑郁倾向的检测，主要内容:数据集的获取，模型的建立，训练和测试效果。3.数据源较少，社交文本数据比较难以收集，仅仅依靠步态数据进行预测准确度不够，

作者验证了三者的各项指标，accuracy、F1 score、loss and so on,发现audio CNN在抑郁症检测方面上能获得良好的效果,准确率达到98%，损失为0.1%，而text CNN的准确度为92%，损失为0.2%，混合LSTM模型的准确率为0.80%，损失为0.4。提出了一个基于语音和文本的抑郁症倾向检测的混合模型（混合Bi-LSTM和混合LSTM），文章对比研究了语音数据集

随着数据挖掘、人工智能等工具的兴起，利用生理数据探索精神障碍新的可能的生理指标，创造精神障碍诊断的新应用，成为新的研究热点。中国国民心理健康状况最新调查结果显示，不同年龄、不同收入下心理健康状况差异突出，本次调查中，抑郁风险检出率为10.6%，焦虑风险检出率为15.8%，抑郁和焦虑水平的影响因素高度相似。在成年人群中，18~24岁年龄组的抑郁风险检出率达24.1%，显著高于其他年龄组，25~34岁