摘要
目的： 有效阻止精神障碍患者进入部队，从源头上把好兵员质量关，是提升部队战斗力的重要措施。目前，国际对于精神障碍的筛查方法主要依靠于心理测验理论指导下的自陈式量表。然而由于自陈式量表答题主观性、分数敏感性等固有弊端，使得这种方式下的人员心理选拔逐渐走入瓶颈。随着测量准确性、时效性等要求的提高，对传统心理测验进行技术变革已成为军队人员选拔的实际需求和必然趋势。 人们作答量表时的意识加工过程提供了极为丰富而有价值的信息，但长期以来并未受到重视。迄今为止，答题分数仍是自陈式量表的唯一信息来源。本课题组于2014年提出了心理测验的多质融合理论，旨在对人们作答量表时的意识加工过程采用多项认知神经技术进行融合识别，实现主观意识活动的客观、精细化评判。传统自陈式量表简洁、抽象的语言描述不利于诱发不同人群间意识加工过程的差异，因此，探寻更为优化的量表刺激形式是多质融合理论研究的重点方向。 抑郁症作为最常见的精神障碍之一，严重影响着部队战斗力。本研究基于多质融合的理论框架，以抑郁症为例，使用患者的自然语料对传统量表的语言刺激形式进行创新，并从眼动技术出发，探索基于自陈式量表意识加工过程识别精神障碍的具体实现方法，为下一代征兵心理选拔系统的研发提供理论及实践依据。 方法： 研究对象包括抑郁症患者组及正常对照组，共分为四个部分。 第一部分研究为抑郁症患者与正常人卷入式量表意识加工过程的差异分析，旨在创新传统量表的刺激形式，并分析两组人群量表作答整体意识加工过程的差别。研究通过网络爬虫构建了抑郁症患者的语料库，以抑郁症患者的自然语料对流调用抑郁量表进行了改编，形成卷入式量表。采集抑郁症患者和正常人作答量表时的眼动数据，使用线性混合模型对比两组人群在传统式量表和卷入式量表中意识加工过程的区别。 第二部分研究为卷入式量表意识加工过程的抑郁症识别模型构建与预测分析，旨在通过量表作答的整体意识加工过程进行抑郁症患者的识别。研究从注视、眼跳、瞳孔三类指标中提取了35个眼动特征，通过逻辑回归、朴素贝叶斯、支持向量机和随机森林四种机器学习算法，分别对传统式量表和卷入式量表构建抑郁症患者的识别模型，对比两种量表识别模型的模型性能。使用反应时单特征，分别对两种量表构建抑郁症患者识别模型，对比眼动特征模型和反应时特征模型识别准确率的差异。 第三部分研究为眼动反应与卷入式量表选项的分类模型构建与预测分析，旨在从单个题目的层面分析眼动反应与作答选项间的定性及定量关联。研究开发了一种可视化工具—行为空间图谱，将刺激内容与认知神经指标进行融合，分析不同作答选项与眼动反应之间的一般性规律。使用提取的眼动特征，通过逻辑回归算法对卷入式量表构建四分类模型，分析眼动对于被试实际作答选项的分类准确率。 第四部分研究为卷入度对抑郁症患者负性语料刺激下眼动反应的影响，旨在排除卷入式量表意识加工过程中由阅读因素带来的影响。研究设置抑郁症状相关和非抑郁症状相关两种不同的负性语段材料，采集了抑郁症患者和正常人阅读两种材料的眼动数据，使用线性混合模型对比两组人群在不同语段材料下的眼动差异。 结果： 1.抑郁症患者与正常人在卷入式量表上的得分具有显著性差异（t=13.04,P＜0.001）。所有被试在传统式量表与卷入式量表得分上的斯皮尔曼相关系数为0.911（P＜0.001）。 2.在题干注视点个数、题干回视个数上，组别和刺激的交互作用显著（F=38.90，P＜0.001;F=7.55,P＜0.01），相比于正常人，抑郁症患者在卷入式量表上有着更多的题干注视点个数（t=4.32,P＜0.001）和题干回视个数（t=2.84,P＜0.01），两组人群在传统式量表上的题干注视点个数（t=0.83，P=0.41）和题干回视个数（t=1.68,P=0.10）无统计学差异。 3.在选项相对回视个数、题干与选项的交互眼跳个数上，组别和刺激的交互作用显著（F=5.17,P＜0.05;F=7.49,P＜0.01），相对于传统式量表，正常人在卷入式量表上有着更少的选项相对回视个数（t=3.59,P＜0.001）和交互眼跳个数（t=2.23,P＜0.05），抑郁症患者在两种量表上的选项相对回视个数（t=0.34,P=0.73）和交互眼跳个数（t=-1.64,P=0.11）无统计学差异。 4.对于瞳孔直径，组别主效应（F=0.40,P=0.53）、刺激主效应（F=1.12,P=0.29）、组别与刺激交互作用（F=0.37,P=0.54）均无统计学差异。在两种量表的瞳孔直径变化值上，抑郁症患者显著大于正常人（t=2.39,P＜0.05）。 5.基于眼动特征，卷入式量表在逻辑回归、朴素贝叶斯、支持向量机、随机森林四种分类器下对抑郁患者的识别准确率分别为91.80%、80.33%、81.97%、80.33%，传统式量表分别为75.41%、77.05%、67.21%、77.05%。卷入式量表比传统式量表最高识别准确率高出14.75%，平均识别准确率高出9.43%。 6.基于反应时单特征，卷入式量表在逻辑回归、朴素贝叶斯、支持向量机、随机森林四种分类器下对抑郁患者的识别准确率分别为59.02%、67.21%、49.18%、60.66%，传统式量表分别为77.05%、73.77%、65.57%、75.41%。传统式量表眼动特征模型的平均识别准确率比反应时模型高出约1.2%，卷入式量表眼动特征模型的平均识别准确率比反应时模型高出约25%。 7.行为空间图谱的定性分析表明，眼动反应与被试作答选项之间存在两种规律性联系，一种为随着作答选项由D至A的变化时，眼动反应的强度逐渐增大，眼动反应的范围逐渐增高；另一种为在作答B、C时的眼动反应强度和反应范围大于作答A、D时的对应眼动反应。 8.基于眼动特征，卷入式量表在逻辑回归分类器下对A、B、C、D四种作答选项的预测准确率分别为64%、37%、33%、27%。模型的平均预测准确率为40.25%，比随机预测准确率高出15.25%。 9.阅读任务中，抑郁症患者在非抑郁症状材料上的注视时长（t=2.60,P＜0.05）、注视点个数（t=2.87,P＜0.01）、回视个数（t=2.59,P＜0.05）、眼跳距离（t=3.41,P＜0.01）大于正常人，在抑郁症状材料上的注视时长（t=1.29,P=0.20）、注视点个数（t=1.58,P=0.12）、回视个数（t=1.44,P=0.16）、眼跳距离（t=1.70,P=0.10）与正常人无统计学差异。 结论： 1.抑郁症患者与正常人的差异不仅体现在答题的结果上，同时也表征在人们答题的意识加工过程中。相比于传统式量表，卷入式量表可以更好的诱发出抑郁症患者与正常人意识加工过程的差异，具体表现为，引发了抑郁症患者更深层次的认知加工和更大程度的情绪反应，降低了正常人答题时的犹豫和思考程度。 2.基于量表作答整体意识加工过程的眼动特征，卷入式量表能够较好的识别出抑郁症患者，模型性能优于传统式量表，初步证明了将眼动技术引入征兵心理检测系统的可行性。 3.被试的眼动反应与作答选项间存在着一般性的定性规律，基于眼动特征，可以在一定层面上对被试的作答选项进行预测。 4.抑郁症与正常人在文字阅读上的差异，不是两种人群在卷入式量表中眼动差异的主要来源。抑郁症患者在低卷入的负性语言刺激下表现出了比正常人更多的注意力投入，但在高卷入的负性语言刺激下与正常人未见统计学差异。
NETL