社交信号处理和情感计算已经被广泛研究于各个领域,如医疗、心理学、社会学等。有研究表明,通过融合多维传感器数据特征,挖掘社交信息能够推断出复杂的人类社交行为和心理状态。随着人民物质生活水平的进一步提高,越来越多的人开始专注身心健康问题。传统心理健康诊断方法是以观察法、会谈法、实验法和问卷法来获取临床资料并通过对资料的分析对被诊断者心理状态和个性特征做出判断。传统评估方法不可避免地受到诊断者主观及经验因素的干扰,影响评估结果的准确性。因此,本文通过设计可穿戴社交感知系统采集穿戴者在演讲过程中的语音和行为数据,提取社交语音和社交行为特征,通过分析社交特征与焦虑量表得分的皮尔逊相关性,建立大学生焦虑评估模型。本文的主要研究内容如下:1)基于语音特征、肢体动作反应个体心理活动状态的社交感知技术以及可穿戴传技术,本文设计并实现了智能可穿戴设备,采集穿戴者语音和行为数据,提取社交语音和社交行为特征,分析社交特征与焦虑量表得分的皮尔逊相关性,建立大学生焦虑评估模型。2)由于可穿戴设备功能的单一性、计算性能和存储空间的有限性以及当今社会智能手机的普及性,本文设计并实现了社交感知App与阿里云后台服务器系统,实现了智能可穿戴设备与社交感知App的通信并通过App展示焦虑评估结果、App采集用户社交活动数据并与后台服务器通信的功能。3)提出了语音社交感知特征以及行为社交感知特征的分析方法,包括76种语音社交特征以及43种行为社交特征,并通过组织大学生进行焦虑实验,研究社交语音特征和社交行为特征与焦虑程度与的相关性。4)基于社交特征与焦虑程度的相关性分析结果,通过分别对比特征选择与特征压缩前提下,带线性核函数的SVM分类器、带RBF核函数的SVM的分类器以及Logistic Regression(LR)分类器对样本分类的正确性、计算复杂度、以及决策函数的输出特性,确定使用LR分类器对样本进行预分类。5)提出了基于社交感知特征的大学生焦虑评估模型,首先通过LR预分类器对4个语音细分场景下样本预分类以及左右手社交行为特征样本预分类,然后再通过LR分类器对3个预分类器的决策结果进行融合,综合评估个体的焦虑程度。