论文标题:Effective differentiation between depressed patients and controls using discriminative eye movement features
中文译名:利用辨别性眼动特征有效区分抑郁症患者和对照组
原文地址:https://www.sciencedirect.com/science/article/abs/pii/S0165032722003251
一、概述
背景:
抑郁症是一种常见的由多种因素引起的衰弱性精神障碍。由于临床对抑郁症的评价主要是主观的,缺乏客观和定量的指标,因此抑郁症的识别和诊断具有挑战性。
目的:
探讨抑郁症患者的眼动异常,并评估鉴别眼动特征在识别抑郁症中的作用。
方法:
采用三种基本范式结合机器学习方法,评估眼动测量在抑郁症识别中的表现和应用价值。
首先,目前的研究表明,与hc相比,抑郁症患者表现出广泛的异常眼动。然后,逻辑回归暗示有四个关键指标与抑郁症的认知相关。其次,三种机器学习模型的性能都比较好。最后,偏相关分析显示眼动障碍与临床症状之间的关系。
二、实验
样本:
95例抑郁症患者和69名健康对照者
任务:
1.注视稳定性
在测试开始之前,参与者被要求盯着白色屏幕中央的一个黑色十字“+”。一旦任务开始,他们被要求继续凝视白色屏幕中间的黑点(大小0.5◦),并忽略黑点左右6◦和12◦位置闪烁的“*”干扰标记(大小0.5◦)5秒。实验分为近分心物和远分心物两种情况,每种情况随机安排5次。干扰标记的位置随机化。
2.自由观看
参与者被要求自由观看35张黑白静止图像,包括自然景观、社会场景、静止物体和无意义图像(条纹行、模糊噪声)(补充数据图S1)。所有图像随机呈现10 s。在图片切换之间,参与者被要求注视白色屏幕中心的黑色“+”1.5秒。
3.反扫视试验
参与者首先将注意力集中在白色屏幕中心的黑色“+”上1.5秒。当空心点出现时(同时“+”消失),受试者需要看向空心点的另一侧(镜子位置)。空斑持续时间为1 s。空心点随机出现在距固定中心左侧或右侧6或12◦处。总共有8个试验。
设备:
加拿大SR研究公司的EyeLink 2000桌面眼动仪。眼动仪与分辨率为1024 × 768像素的17英寸显示器相连,并进行相应调整以确保图像尺寸准确。在显示器前90厘米处放置一张舒适稳定的高背皮椅,椅子的高度可以调节。受试者坐姿时的观看距离为70±10 cm。受试者的头部用特殊的下巴支架固定。可追踪水平(±30◦)和垂直(±30◦)位置的眼球运动。眼动追踪模式设置为瞳孔反射,采样频率设置为1000hz。我们使用9点校准模式在参与者的主眼进行数据采集。使用加拿大SR Research的Experiment Builder和Data Viewer软件分别编写程序和导出眼动数据。
测量指标:
11项眼动指标
1.注视稳定性
眼跳振幅(所有眼跳的平均振幅)。
2.自由观看
6个指标:眼跳幅度(每张图片中眼跳的平均幅度)、注视持续时间(每张图片中眼跳的平均持续时间)、扫描路径长度(每张图片中眼跳的总长度)、眼跳速度(每张图片中眼跳的平均速度)、瞳孔大小的动态范围和瞳孔大小比。
3.反扫视试验
3个指标:眼跳速度(正确反眼跳的平均速度)、潜伏期(正确试验中眼跳开始与空心点开始之间的时间)和错误率(错误试验数与总试验数的比值)。
实验结果:
抑郁症患者出现眼动异常,在注视稳定性测试中表现为眼跳幅度增高;反扫视试验中扫视速度减小;在自由视视试验中,眼球振幅减小,扫描路径长度缩短,眼球速度降低,瞳孔大小动态范围减小,瞳孔大小比降低。
三、总结
局限:
①组间受教育年限存在趋势水平差异,今后的研究应注意人口统计变量的精确匹配。
②我们暂时缺乏后续研究,因此眼动指标的动态变化有待进一步研究。
③可以在自由观看测试中加入更多情感相关的图像,以探讨抑郁症患者的观看偏好。
④未来的研究可以从工程角度进行优化,以获得更好的模型性能。
结论:
本研究表明,与正常人相比,抑郁症患者在三个基本眼动任务中表现出异常的眼动。基于辨别性眼动特征的机器学习模型为抑郁症的辅助识别提供了客观的生物标志物和基础。该方法可应用于更广泛的诊断和筛查场景,需要快速和直接的大规模调查。
统计分析:
组间比较采用独立t检验,诊断性生物标志物采用多元logistic回归分析。采用支持向量机(SVM)、二次判别分析(QDA)和贝叶斯(BYS)算法建立分类模型。
在R studio和Matlab软件上进行统计分析。分析前,采用评价柱和箱形图确定单变量极端异常值(标准:小于“Q1 - 1.5IQR”或大于“Q3 + 1.5IQR”;Q1、Q3和IQR分别表示第一个四分位数、第三个四分位数和四分位数范围),并被视为合法值。通过winsorization方法(Tabachnick et al ., 2007),将数据异常值替换为下一个最高或最低的观测值,以减少对参数统计检验结果的影响。连续变量采用独立t检验,分类变量采用卡方检验比较组间人口学和临床特征的差异。然后,采用独立t检验比较两组的眼动变量。其次,采用多元logistic回归分析,探讨眼动特征在抑郁检测中的贡献作用。此外,采用支持向量机(SVM)、二次判别分析(QDA)和贝叶斯(BYS)算法构建机器学习分类模型。最后,在控制年龄、性别、受教育程度、病程和抗抑郁药使用情况的情况下,对存在组间差异的眼动变量和临床症状进行偏相关分析。