不同抑郁状态视觉行为特征及抑郁症早期识别方法研究

Providing early psychological intervention and treatment to patients with depression can reduce the impacts of high recurrence rates and lifelong medication on these patients, their families and society. Therefore, the early identification and diagnosis of depression is of great importance. Firstly, we comparatively studied the differences in emotional and attentional functions (attentional bias and eye movement patterns) between normal people and mildly depressed patients, normal people and severely depressed patients or mildly and severely depressed patients using eye movement technology. On this basis, we further analyzed the relations among the severity of depression, emotional disorders and attentional function to characterize the features of different depressive states. Especially, the analysis on the characteristics of mildly depressed patients in emotional disorders, attentional bias and eye movement patterns (saccadic vector and gaze central distance) can provide a scientific basis for the early prevention and identification of depression. Next, based on the grouped normalization method and support vector machine (SVM) technology with the hybrid kernel function and improved particle swarm optimization algorithm, we used three categories of indexes: the emotional bandwidth index, which describes emotional disorders; the attentional bias index (positive and negative attentional biases), which describes cognitive impairment; and the eye movement pattern index (saccadic vector and gaze central distance), and proposed an easily operated, low-cost and highly sensitive depression identification method to provide an objective basis for the early identification and diagnosis of depression.

给予抑郁症患者早期心理干预和治疗，能够减少因为高复发率和终身服药给患者、家庭和社会带来的沉重负担，因此，抑郁症的早期识别和诊断尤为重要。一方面，我们使用眼动技术针对正常人、轻度和重度抑郁症患者之间的情感、注意功能（注意偏向和眼动模式特征）的差异展开比较研究，并且分析抑郁严重程度、情感障碍以及注意功能三者之间的关系，用以表征不同抑郁状态的差异特点。尤其是分析轻度抑郁症患者情感障碍、注意偏向以及眼动模式（眼跳矢量和注视点中心距）的特点，为抑郁症的早期预防和识别提供科学基础；另一方面，我们基于分组归一化方法和基于混合核函数与改进粒子群优化算法的支持向量机技术，使用表征情感障碍的情感带宽类指标、表征认知障碍的注意偏向类指标（正性和负性注意偏向）、以及表征眼动模式特征的眼跳矢量和注视点中心距指标，提出一种操作简便、成本低廉、分类精度高的抑郁症识别方法，为抑郁症早期识别和诊断提供客观依据。

抑郁症是以心境障碍为主的精神类疾病，其患病率呈逐年上升趋势。给于抑郁症患者早期心理干预和治疗，能够减少因为高复发和终身服药给患者、家庭和社会带来的沉重负担。因此，抑郁症的早期识别和诊断尤为重要。目前，抑郁症诊断缺乏特异性的生物学标志，其诊断方法是以诊断手册为指南，通过问诊方式进行，这种方法主观性很强，由于缺乏有效客观的诊断方法，导致抑郁症患者的误诊率较高。.针对目前抑郁症早期识别率不高的问题，本项目通过对正常人、轻度和重度抑郁症患者的情感障碍、注意偏向以及眼动模式特征的分析和它们之间的比较研究，提取了与抑郁症密切相关的分类指标：与情感体验有关的瞳孔大小变化率和情感带宽（获得了中国和美国发明专利授权）、与注意偏向有关的情绪注意偏向指标、以及眼动特征等生理心理行为特征指标。针对多任务认知状态识别，提出了分组归一化方法（获得了中国发明专利授权），有效地提高了特征在组间的分布差异；针对支持向量机、超限学习机、深度学习等分类模型参数的优化问题，提出了基于惯性权重的时变多变粒子群优化算法和带变异的多种群随机合作学习粒子群优化算法等，经过标准函数测试，获得了满意结果。这些方法有效地提高了抑郁症的分类正确率，为抑郁症早期评估和辅助诊断提供科学依据。.经过三年的努力，已全面完成计划的各项任务。本项目团队还研发了基于情感带宽技术的抑郁症辅助诊断系统，并且获得了2018年国家技术发明二等奖。在国际、国内期刊发表(含已录用)论文18篇，其中，SCI收录11篇（JCR二区以上3篇），EI收录3篇；项目负责人以第一发明人，获得美国发明专利授权1项，中国发明专利授权4项，软件著作权1项；共培养博士研究生1名，硕士研究生9名，其中4人获得北京工业大学优秀硕士学位论文，2人获得研究生国家奖学金。