情感机制是人类最重要也最为复杂的机制之一。要想让机器很好的理解甚至表达人类的情感,一直是人工智能领域的一大难题。一些精神类疾病,其病症会体现在人类的情绪变化上,抑郁症就是其中一种。抑郁症是一种会使人类感到情绪低落、思维迟钝、意志消沉的疾病。它在思想、行为、情绪感知上都会影响一个正常人的健康,严重的时候会造成患者进行自残甚至自杀行为。抑郁症对人类健康造成了非常严重的影响,因而受到国内外越来越广泛的关注。本文想通过情感分析的方式,建立一个预测协同分类模型,运用该模型分析抑郁症患者的表征数据,对被试患者是否具有抑郁症倾向进行预测。在传统的抑郁症诊断方式中,多是采用自查问卷及量表的形式再由专业医师进行判断,患者是否患有抑郁症。而这些问卷和量表,以及医师的临床诊断,其本质是想了解和掌握患者平时的心理状况、生理躯体状况、以及情绪变化情况等,以此来判断病症。这和情感分析有类似的地方,在情感计算中,对情绪变化的识别采用的研究方法,大多是从面部特征、语音特征、脑电信号特征、皮肤电信号等方面,进行分析。本文从被试患者的面部特征、语音特征以及文本特征等角度,对抑郁症患者的表征数据进行分析研究。本研究提出的预测协同分类模型,结合了抑郁症患者访谈过程中的语言文本特征、音频特征、面部特征数据,并采用相应算法分别对三类特征进行处理,最后结合三类特征的分析结果,得到被试患者抑郁症倾向的预测值。模型主要由以下三个部分组成:（1）基于文本特征部分,对抑郁症患者的访谈记录文本进行分析。这些文本特征可以从侧面描述被试在采访中的情绪变化状况。为了能够更好的从文本中提取出这些情绪变化,这一部分主要从局部文本和全局文本两个角度处理:对局部文本,首先提取出每个采访记录中和抑郁情绪等最为相关的问题,将问题进行量化,然后使用支持向量机算法（SVM）进行分类预测;对全局文本,首先采用Doc2vec算法,将所有的文本内容向量化,之后输入卷积神经网络（CNN）中。本实验使用卷积神经网络,是对文本量化后的段落矩阵进行分析,和图片分析有一定的区别,所以稍作改进,使卷积神经网络在对段落矩阵进行处理时,尽可能多的保留一些突出段落语义的重要特征,并且根据特征的重要程度进行排序。最后通过卷积神经网络对全局文本的学习,来预测患者是否具有抑郁症倾向。最后将两种结果相结合,得到一个最终的文本特征预测结果。（2）基于语音特征部分,对访谈中记录的音频数据进行分析。数据集提供的音频特征由COVAREP算法从音频记录文件中提取。每0.3334s为一个时间戳,提取的音频特征记录在每个时间戳下。根据音频特征的时序特性,建立长短期记忆网络（LSTM）,同时对数据集按照性别进行分类,将这些特征按照时间戳的顺序,作为长短期记忆网络（LSTM）的输入,得到一个基于音频特征的预测结果。（3）基于面部特征部分,对访谈中记录的多种面部表征数据进行分析。原数据集中.,提供了面部人工编码AUs、眼部gaze、动作pose、面部3D位点（3dfeatures）等特征。这些特征,由专业软件从被试采访视频中提取。其中每0.3334s为一个时间戳,特征数据记录在每个时间戳下。根据数据的时间特性,建立长短期记忆网络（LSTM）。同时对数据集按照性别进行分类,将分类后的面部特征按照时间戳序列输入长短期记忆网络（LSTM）中进行分类预测。最后对三种预测结果进行分析,发现结果之间具有一定相似性。将预测结果线性结合,给出线性方程:f=w₁out_f+w₂out_t+W₃out_c+w₄其中W₁,w₂,w₃,w₄为函数系数,out_f为面部特征的预测结果,out_t为文本特征预测结果,out_c为音频特征预测结果,f为最终输出。用训练集拟合方程系数,使测试集结果之间满足方程约束。最终测试集预测结果准确率为86.73%,模型具有一定适用价值。