复杂 复杂性 1099 - 0526 1076-2787 后维 10.1155 /四百一十七万四千八百五十七分之二千○二十零 4174857 研究文章 基于眼球运动的行为和生理信号的抑郁分类方法 https://orcid.org/0000-0001-5426-5897. 李 MI. 1. 2. https://orcid.org/0000-0002-0636-0600 曹 Lei 1. 2. 翟 钱 3. 4. https://orcid.org/0000-0002-2628-4967 李 彭 1. 2. https://orcid.org/0000-0001-8672-2810 刘 SA 1. 2. https://orcid.org/0000-0002-6342-0593. 李 Richeng 1. 2. 丰 Lei 3. 4. 王 帮派 3. 4. 胡 箱子 1. 5. https://orcid.org/0000-0002-9813-6752 鲁 胜福 1. 2. 格尔福萨 迈克拉 1. 自动化系 信息技术学院 北京理工大学 北京100124 中国 bjut.edu.cn. 2. 关于脑信息和智慧服务的北京国际合作基地 北京100124 中国 3. 精神障碍的国家临床研究中心和北京精神障碍重点实验室 北京安定医院 首都医科大学 北京 中国 ccmu.edu.cn 4. 人脑保护的先进创新中心 首都医科大学 北京 中国 ccmu.edu.cn 5. 可穿戴计算的甘肃省重点实验室 信息科学与工程学院 兰州大学 兰州 中国 lzu.edu.cn 2020 14 1. 2020 2020 16 08 2019 20. 12 2019 14 1. 2020 2020 版权所有©2020 Mi Li等人。 这是一篇在知识共享署名许可下发布的开放存取的文章，它允许在任何媒体上无限制地使用、传播和复制，只要原始作品被适当地引用。

本文提出了一种基于直接测量情感障碍的抑郁识别方法。首先，视觉情绪刺激用于获得与心情直接相关的眼球运动行为信号和生理信号。然后，为了消除噪声和冗余信息并获得更好的分类功能，统计方法（FDR校正<我Talic> T-最后，在特征提取的基础上，采用核极限学习机（KELM）进行特征提取结果表明，一方面，基于眼动行为和生理信号融合特征的分类性能优于基于单一行为特征和单一生理特征的分类性能；另一方面，与以往的方法相比，本文提出的分类性能更好本研究对于建立一套适合临床应用的抑郁症自动诊断系统具有重要的参考价值。

 中国国家自然科学基金 61602017. 61420106005 中国国家基础研究计划 2014CB744600 北京理工大学 2017 - rx -03 (1) 北京市自然科学基金 4164080. 北京市优秀人才培养基金 2014000020124G039 国际中国科学技术合作计划 2013DFA32180 北京市科技委员会 Z171100000117004 北京医院管理局青年计划 QML20181904 北京市医院临床医学发展专项资金支持 Zylx201607. 北京市政府的上升计划 DFL20151801 1.介绍

抑郁症是一种精神疾病，其特征是明显而持久的快乐丧失、快感缺乏和兴趣减退。到目前为止，还没有发现用于诊断抑郁症的特异性生物标志物。因此，在临床中，抑郁症的诊断主要是由精神病医生根据诊断手册(如DSM-IV)进行结构化访谈。随着人工智能技术的发展，基于机器学习的模式识别技术在抑郁症的识别或诊断中得到了广泛的研究。

目前，基于静息态fMRI脑图像信号的抑郁症分类研究较多。例如，Cao等通过特征选择和支持向量机对静息态fMRI的功能连接对重度抑郁症患者进行分类，获得84.21%的分类准确率[ 1.]Qin等人基于静息态功能磁共振弥散张量成像（DTI），使用支持向量机识别重度抑郁症患者，最高分类准确率为83.05%[ 2.］．Sato等基于fMRI信号对重度抑郁症患者进行分类，准确率为78.26%，敏感性为72.00%，特异性为85.71% [ 3.］．Bhaumik等利用SVM基于静息态fMRI功能连通性对缓解的重度抑郁症患者进行分类，准确率为76.1%，敏感性为81.5%，特异性为68.9% [ 4.]Schnyer等人使用DTI和SVM识别重度抑郁症患者，最高分类准确率、特异性和敏感性分别为74.0%、80.0%和68.0%[ 5.］．Ramasubbu等人。基于休息状态FMRI的体素空间使用SVM来分类轻度中等，严重，严重的患者，分别为58％，52％和66％[ 6.］．

除了使用FMRI信号识别抑郁外，近年来，基于EEG的抑郁识别也已被广泛研究。例如，Liao等人。使用SVM根据静息状态EEG信号对严重的抑郁症患者进行分类，获得80％的分类精度[ 7.］．Bairy等人。使用决策树算法根据EEG信号进行分类，以及分类准确性，敏感性和特异性为94.30％，91.46％和97.45％[ 8.］．Mumtaz等人利用SVM对静息状态脑电图进行分类，准确率为98.4%，灵敏度为96.66%，特异性为100% [ 9］．Acharya等人利用深度卷积神经网络基于脑电图信号识别抑郁症，准确率最高达到96% [ 10］．

与EEG和fMRI的信号进行比较，如表达和语音行为数据比较容易获得。因此，大量的研究已经基于行为数据抑郁症分类的方法来完成。例如，Valstar等。使用线性SVM随机梯度下降到基于视频表达，音频和多模态分类抑郁症，和F1评分分别为0.583，0.889，和0.467，[ 11］．马等人。提出了一种基于音频信号的长期和短期存储器（LSTM）将卷积神经网络（CNN）与长期和短期存储器（LSTM）组合的深度分类模型（Depautionet），并且最佳F1得分为0.52（0.70），分类精度为0.35（1.00）并且召回是1.00（0.54）（括号中的NondePressive结果）[ 12］．

除了使用单一的生理或行为信号进行抑郁分类外，许多研究还具有基于多模式数据的抑郁症。例如，Zhao等人。使用休息状态FMRI和DTI的多峰数据进行分类，精度为80.95％[ 13］．Le等人。通过决策树算法分别获得特征级别的音频，视频，语言和睡眠多模式数据，并在抑郁症患者和正常对照组中获得57.1％和87.7％的F1分数[ 14］．Al Hanai等人。使用LSTM基于音频/文本的多模式数据对抑郁症进行分类，最佳F1分数和召回率分别为0.77和0.83 [ 15］．哈克等人。使用因果卷积神经网络（C-CNN），以识别抑郁症患者的基础上表达，语音和语言（文本）的多模态严重的抑郁症，获得83.3％的灵敏度和82.6％的特异性[ 16］．

与EEG / FMRI相比，行为信号更容易从分类信号源收集和低成本。因此，基于行为信号和深度学习方法的抑郁识别方法引起了研究人员的注意。但是，无论是生理信号（FMRI，EEG）还是行为信号（表达，语音等），这些信号的共同特征都是在个人的自然状态下获取的;例如，当个人处于闭合眼睛的状态时，休息状态EEG和FMRI信号都是获取的，并且不思考任何内容。诸如表达式和声音的行为信号是访谈期间获得的自然状态信号（通常使用虚拟代理）。也就是说，目前，在自然状态中收集的分类信号与情感障碍直接相关，但无情感障碍的间接测量。然而，抑郁症患者的核心症状低，心情不好是由情绪损伤引起的，因此通过直接测量情绪获得的信号对抑郁症识别的研究具有很大的价值。

眼动技术开辟了抑郁症的自动检测的研究提供了新途径。眼睛是心灵的窗口，为人类直接观察世界的重要器官。眼球运动信号，如凝视的对象，凝视时间，凝视移，瞳孔大小，眼动追踪技术获得的，是大脑的信息处理需求的所有直接反射并能定量表征感知情绪。因此，眼球运动信号是情绪状态的直接测量。Alghowinem等人，首先基于由情感语言刺激获得的30名抑郁症患者和30名正常的人进行分类的眼睛运动功能（水平，垂直，和眼睑运动），所取得的分类精度的75％，通过使用高斯混合模型，并SVM [ 17］．李等人。采用随机森林算法通过情绪表达图像刺激获得的眼球运动特征（瞳孔尺寸，凝视位置，凝视时间等）分类9例抑郁症患者和25名正常人，分类准确度为80.1％[ 18］．可以看出，上述以眼动行为信号和生理信号(瞳孔直径)为分类特征的研究仍然没有获得较高的分类精度。瞳孔直径信号虽然可以反映情绪的变化，但瞳孔直径的物理大小变化较大，不能直接用于情绪测量。因此，本研究进一步对眼动的行为和瞳孔直径信号进行处理，以提取更能反映抑郁症患者与正常人差异的分类特征。

许多以前的眼动研究表明，一方面，抑郁症患者倾向于有情绪注意偏差[ 19],我。e., reduced attention to happy emotions and excessive attention to sad emotions, which represented that positive attention bias scores (the difference between the total fixation time at happy expressions and the total fixation time at calm expressions) of depressed patients were significantly greater than those of the normal people, while the negative attention bias scores (the difference between the total fixation time at sad expressions and the total fixation time at calm expressions) of depressed patients were significantly smaller than those of the normal people [ 20.］．另一方面，大脑对情绪信息的处理会导致瞳孔直径的变化。瞳孔直径的变化直接反映了人们情绪的变化。正面情绪视觉刺激会使人产生快乐的情绪体验，并伴有瞳孔直径的增大，而负面情绪视觉刺激会使人产生悲伤的情绪体验，并伴有瞳孔直径的减小[ 21.– 23.］．研究表明，在不同的情绪刺激下，抑郁症患者的瞳孔直径与正常人的瞳孔直径存在显著差异[ 24., 25.］．

在这项研究中，二种分类特征是从当不同的情绪图片诱发直接关系到情感眼球运动信号中提取的：一个是注意偏向得分[ 20.]反映眼球运动行为信号，另一个是情绪带宽[ 26.它反映了基于瞳孔直径的生理信号。在获取的生理和行为信号特征中往往存在噪声和冗余信息，因此需要进行特征选择和特征提取。

此外，分类模型的性能直接影响分类结果。本研究收集的数据为表格数据，数据规模较小，不适合深度学习方法。对于相对较小的数据，支持向量机采用次最优解学习方法，而极限学习机(ELM) [ 27., 28.的分类性能较好。ELM是一种基于单一隐含层的前馈神经网络模型，以其计算过程简单、速度快、泛化性能好等优点得到了广泛的应用。目前已开发出基本ELM和核心ELM。与基本ELM相比，kernel ELM具有可调参数少、不需要手动设置隐藏层节点等优点。因此，为了提高抑郁症的识别准确率，本研究采用kernel ELM作为分类器。同时，为了比较不同的分类模型对分类结果的影响，我们还使用了SVM、KNN和随机森林对抑郁症进行分类。

 2.材料和方法 2.1. 信号采集

数据收集中有96名参与者，包括48名抑郁症患者和48名正常人。从国际标准表达式库中，NimStim集[ 29.]，选择了36人（18名男性和18名女性）的三张面部表情（中性、快乐和悲伤）图像。一方面，为了减少由非表达性因素引起的眼球运动，耳朵和头发应该尽量遮住。另一方面，通过picture manager软件，所有面部表情图片的大小、分辨率和灰度都是一致的。

数据采集​​任务分为两类：一类是眼球运动行为的信号，即，获取当参与者观看正或负的偏压任务各注视点的位置和时间。正偏压任务是由快乐和中性表情图片36，而负偏压任务是由和悲伤表情的照片36。数字 1.示出了当抑郁患者视图正偏置任务和负偏差任务时的眼球运动的示例。每个圆形表示凝视点，其尺寸表示固定时间的长度。

当抑郁的患者视图（a）正偏置任务和（b）负偏置任务时，眼球运动的示例。每个圆形表示凝视点，其尺寸表示固定时间的长度。

另一种是眼球运动生理信号（瞳孔直径）获取，即参与者在观看积极、消极或中性任务时，每个注视点产生的瞳孔直径大小。正面任务包括两张快乐表情图片（共36张），负面任务包括两张悲伤表情图片（共36张），中性任务包括两张中性表情图片（共36张），如图所示 2.．

当抑郁的患者视图（a）正任务时，（b）负任务和（c）中立任务时，眼球运动的示例。每个圆形表示凝视点，其尺寸表示固定时间的长度。

眼睛跟踪装置TOBII T120用于以120Hz的频率收集和记录每个固定点的位置，时间和瞳孔尺寸。如图所示 3.，数据采集过程如下:首先，黑屏中央出现一个1000ms的白色“+”对其进行聚焦[ 10］．然后，屏幕呈现了一对具有3500毫秒的图片，然后是2000毫秒的“*”，提示他们休息为下一个试验。

数据采集​​过程。

 ２.２.分类特性计算

首先，眼球运动行为和生理功能均按照所收集的行为数据和眼睛运动的生理数据进行计算。

2.2.1.行为特征情绪注意偏差

情绪注意偏差包括正向偏差和负向偏差[ 20.］．其中，积极的注意偏差是指快乐表达的总固定时间从中性表达中的“正偏见”任务中的中性表达的总固定时间中减去 1.;负偏压注意指的是在图中的“负偏压”任务从中立表达的总注视时间中减去悲伤的表情的总注视时间 1.．

 2.2.2。生理特征 - 情感带宽和瞳孔直径的变化率

情感带宽包括积极情感带宽和负面情感带宽。虽然瞳孔大小受到外部情绪刺激的影响，但每个人的瞳孔大小不同，也是光，心理负荷等的影响。因此，使用单个瞳孔尺寸不能简单地表达情绪的效果。在这里，情感带宽[ 26.]用于表征情绪对瞳孔尺寸的影响，包括积极和负面情感带宽。积极情感带宽表明个人流程和体验快乐情绪的能力。积极情感带宽越大，个人流程的能力越强，体验快乐信息。负面情感带宽表示个人处理和体验负面情绪的能力。负面情感带宽越大，个人处理和体验否定信息的能力越强。

通过计算“中性”任务中所有注视点的平均瞳孔直径，可以得出积极情感带宽 2（a））从在所述“正”任务的所有固定点中减去（图 2 (c)）.负面情感带宽计算出“中性”任务中的所有固定点的平均瞳孔直径（图 2 (b))从“负”任务的所有注视点的注视点中减去(图 2 (c)）.

同时，用“中性”任务中的平均瞳孔直径作为基线，计算正瞳孔直径和阴性瞳孔直径的变化率。

在此基础上，计算每个眼睛运动行为特征的统计指标（积极注意偏见和负面注意偏见）和每种眼睛运动生理特征（正/负面情感带宽，正/阴性瞳孔直径变化率），包括最小，更低四分位数，中值，高分子，最大，平均值和标准偏差。这构成了42个分类特征，包括14个行为特征和28个眼球的生理特征，如表所示 1.．

42个分类特征组间差异分析（FDR校正）<我Talic> T-测试）。

最低限度 下四分位数 中值的 上四分位数 最大值 意思 标准偏差
正偏压 -1.47 1.73 5.71<我nline-formula> ∗ ∗ ∗ 7.59<我nline-formula> ∗ ∗ ∗ 6.58<我nline-formula> ∗ ∗ ∗ 6.00<我nline-formula> ∗ ∗ ∗ 6.30.<我nline-formula> ∗ ∗ ∗
负偏倚 −5.45<我nline-formula> ∗ ∗ ∗ −6.99<我nline-formula> ∗ ∗ ∗ −8.25<我nline-formula> ∗ ∗ ∗ −8.3<我nline-formula> ∗ ∗ ∗ −8.25<我nline-formula> ∗ ∗ ∗ −8.15<我nline-formula> ∗ ∗ ∗ -0.10
积极情感的带宽 6.50<我nline-formula> ∗ ∗ ∗ 6.49<我nline-formula> ∗ ∗ ∗ 5.74<我nline-formula> ∗ ∗ ∗ 4.68<我nline-formula> ∗ ∗ ∗ 3.32<我nline-formula> ∗ ∗ 5.97<我nline-formula> ∗ ∗ ∗ -2.06
消极情感的带宽 1.63 1.03 0．62 0．14 -1.02 0．50 -2.60<我nline-formula> ∗
正瞳孔直径变化率 6.49<我nline-formula> ∗ ∗ ∗ 6.95<我nline-formula> ∗ ∗ ∗ 6.21<我nline-formula> ∗ ∗ ∗ 5.44<我nline-formula> ∗ ∗ ∗ 4.17<我nline-formula> ∗ ∗ ∗ 6.70<我nline-formula> ∗ ∗ ∗ −1.14
负瞳孔直径变化率 1.64 1.25 1．02 0．63 −0.24 0.92 -1.47

∗ P < 0.05 ;<我nline-formula> ∗ ∗ P < 0.01 ;<我nline-formula> ∗ ∗ ∗ P < 0.001 ．

 2.3。分类特征减少

由于眼球运动特征中可能存在无关和冗余信息，因此在标准化之后进行维度降低。这里，特征选择和特征提取用于完成维度减少。

2.3.1。特征选择

特征选择就是从所有特征中选择一个对分类有效的特征子集。这里，罗斯福纠正道<我Talic> T-test来分析是否存在抑郁组和健康对照组之间的差异显著（<我nline-formula> P < 0.05 ）.如表所示 1.， 42个特征中只有24个在组间有显著差异(包括11个行为特征和13个生理特征)。

表中24个所选功能的位置 1.表示为F1∼F24按从左到右、从上到下的顺序排列，其中F1∼F11是行为信号特征和F12∼F24是生理信号特征。

 2.3.2。特征提取

通过特征选择得到的24个特征可能存在冗余，即特征之间可能存在相关性，因此需要进行特征提取。

为了确定功能之间是否存在冗余信息，我们使用Pearson相关系数来计算这些特征之间的相关性。计算公式如下： (1) ρ X , Y = E X Y − E X E Y E X 2. − E 2. X E Y 2. − E 2. Y , 在哪里<我Talic> E(<我Talic> X)表示变量的数学期望<我Talic> X什么时候<我nline-formula> ρ X , Y ≥ 0．6 ，变量之间有很强的相关性<我Talic> X和<我Talic> Y．相反，有微弱的相关性或它们之间没有相关性。

行为特征与生理特征的相关性如图所示 4.．可以看出，有一些行为特征之间的强相关性（图 4（a））和一些生理特征（图 4（b））.

相关性分析选择的特征之间：（1）行为特征;(b)的生理功能。

为了消除冗余信息，进一步降低特征的维数，采用主成分分析（PCA）进行特征提取，分别对行为特征和生理特征进行PCA处理 5.显示了行为特征PCA (PCA1, PCA2，…，PCA11)和生理特征PCA (PCA1, PCA2，…，PCA13)的单方差贡献率和累积方差贡献率。

PCA处理后的单方差和累积方差贡献率:(a)行为特征;(b)的生理功能。

 2.4。分类模型 2.4.1。KELM分类模型

极限学习机的输出函数为 (2) F x = H x H T 我 C + H H T − 1. O , 在哪里<我nline-formula> F x 是实际产量,，<我Talic> O是神经网络的预期输出，<我Talic> C是正则化因素，<我nline-formula> H x 是隐层的功能，和<我nline-formula> H 是隐层的输出矩阵。

内核极端学习机（KELM）介绍基于ELM的内核功能，解决了低维空间不可分割的问题。内核函数定义为 (3) ω. 我 , J = H x 我 H x J = K x 我 , x J , （4) ω. = H H T = K x 1. , x 1. ⋯ K x 1. , x N ⋮ ⋱ ⋮ K x N , x 1. ⋯ K x N , x N ．

Kelm的最终输出功能是 (5） F x = H x H T 1. C + H H T − 1. O = K x , x 1. … K x , x N T 1. C + ω. − 1. O , 在哪里<我Talic> N是输入样本的数量。

由于RBF核函数具有学习能力强、需优化参数少的优点，本文采用RBF核函数，如下式所示: (6） K x 我 , x J = 经验值 − x 我 − x J 2. σ. 2. ．

2.4.2。模型训练策略

参与人数为96人(48名正常人和48名抑郁症患者)。模型的训练过程采用10倍交叉验证。将训练集随机分成10个大小相同的不相交子集，其中9个子集作为训练集，其余的子集作为验证集。依次训练10个模型，计算10个模型上测试集分类结果的平均值。

 3。结果与讨论

在本节中，抑郁的患者组被视为正类，而正常对照组被视为负类。结果分析了四个方面：准确性，特异性，敏感性和F1分数。其中，准确性反映了模型与正常人抑郁患者区分抑郁症患者的能力，敏感性反映了抑郁症患者正确分类的比例，特异性反映了正确分类的正常人员的比例，而F1得分考虑到精度和精度回忆分类模型。

3.1。最优特征子集的选择

特征选择是在交叉验证折叠内执行的，以使分类算法更加强大。要做这个，顶部<我Talic> KPCA功能（<我Talic> K(小于或等于主成分分析特征个数)作为分类特征，采用10倍交叉验证方法对模型进行训练。最后，根据分类精度从多个PCA特征子集中选择最优特征子集。

数字 6.显示了基于不同的PCA特征子集分类精度。可以看出，随着PCA的数量特征的增加，分类精度一般先增大然后减小。根据分类结果，行为信号PCA的最优特征子集提供是PCA1~PCA7和生理信号PCA的最优特征子集提供是PCA1~PCA10。

不同PCA特征子集的分类准确率:(a)行为特征;(b)的生理功能。PCA ~ m代表PCA1 + PCA2 +…+ PCAm。

 ３．２．不同信号特征分类结果的比较

基于眼球运动行为信号，生理信号及其融合信号的特征的分类结果如图所示 7.．可以看出,分类精度、灵敏度、特异性、和F1的行为信号远高于生理信号,表明注意力函数的区别在抑郁症患者和正常人之间的情感信息远远大于瞳孔大小的变化。当行为信号和生理信号同时使用时，分类结果优于单一眼动行为信号和单一生理信号。

不同信号功能的分类结果。beh。代表眼球运动行为信号;phy。代表眼球运动生理信号;BEG。+ PHY。代表眼球运动行为和生理信号的融合特征。

 ３．３．与其他方法的比较

桌子 2.显示与基于眼球运动信号的抑制分类方法的比较。可以看出，我们所提出的分类方法比其他方法要好得多。

基于眼运动信号的抑郁分类方法比较。

精度(%) 灵敏度 （％） 特异性(%) F1 (%)
参考 [ 17] — 75. — —
参考 [ 18] 80.1. 81.1. — —
建议的 91.00 91.06 92.31 91.29

桌子 3.通过与其他基于融合信号的抑郁症分类方法的比较，我们提出的分类方法也明显优于其他方法。

与其他基于融合信号的降压分类方法进行了比较。

精度(%) 灵敏度 （％） 特异性(%) F1 (%)
参考 [ 13] 80.95 72.73. 90. —
参考 [ 14] — 66.7 — 57.1
参考 [ 15] — 83. — 77.
参考 [ 16] — 83.3 82.6 —
建议的 91.00 91.06 92.31 91.29

我们还比较了不同分类模型对分类结果的影响，如表所示 4.．可以看出，KELM模型和随机森林模型具有较好的分类效果。

基于融合信号(行为和生理)和不同分类模型的抑郁症分类方法比较。

精度(%) 灵敏度 （％） 特异性(%) F1 (%)
SVM 88.95 90.48 88.23 87.86
KNN 90.21 90.74 90.60 89.56
随机森林 91.37 91.32 90.96 90.78
凯尔姆 91.00 91.06 92.31 91.29

从表中分类结果的比较 2.和 3.可以看出，提出的基于眼动行为和生理信号融合的分类结果较好。主要有三个方面:第一，相对于以往的静息状态EEG/fMRI信号和表情/声音信号，我们获得了外部情绪刺激下的眼动情绪信息，反映了抑郁症患者当前的情绪;其次，我们将注意力偏差和情感带宽特征等相对变化指标作为分类特征，并在此基础上提取与数据分布直接相关的统计指标(最小值、下四分位数、中位数、上四分位数、最大值、平均值和标准差)，有效地改善了抑郁症患者与正常人的差异;第三，通过统计特征选择和基于pca的特征提取，有效地去除无关特征和冗余信息，提高抑郁症的分类性能。此外，与其他方法相比，我们所提出的方法还具有数据采集简单、分类特征较少的优点。

 4。结论

鉴于缺乏与当前研究抑郁症研究中的情感障碍有关的生理和行为信号，本文基于基于凝视行为的情感带宽和瞳孔直径和注意力偏置信号的变化设计和提取生理信号。统计FDR纠正<我Talic> T利用-test和PCA进行特征选择和特征提取，消除眼动行为和生理信号中的噪声和冗余信息。KELM分类器基于行为特征、生理特征以及行为与生理特征融合对抑郁症进行分类。结果表明，行为特征和生理特征是抑郁症的主要特征，融合特征提高了抑郁症的分类性能。

此外，我们还使用了其他分类器(SVM、KNN和随机森林)，基于眼动行为和生理信号的融合特征对抑郁症进行分类。结果表明，随机森林模型也取得了满意的分类结果。

 数据可用性

由于这些数据与患者和健康主体的个人，私人信息有关，因此有道德限制。本文提到的所有原始数据将根据要求提供给相应的作者。

 的利益冲突

作者声明他们没有利益冲突。

 作者的贡献

李密、曹磊、翟黔等人都对这项工作做出了贡献。

 致谢

中国国家自然科学基金（61602017）是中国国家基础研究计划（2014CB744600），“RIXIN科学家”基金会的支持，北京理工大学（2017年 - RX（1）-03），北京自然科学基金会（4164080），北京优秀人才培训基金会（2014000020124CC039），国家自然科学基金（61420106005），中国国际科技合作计划（2013DFA32180），北京市科技专项基金Commission (Z171100000117004), the Beijing Hospitals Authority Youth Programme (QML20181904), the Beijing Municipal Administration of Hospitals Clinical Medicine Development of Special Funding Support (ZYLX201607), and the Beijing Municipal Administration of Hospitals’ Ascent Plan (DFL20151801).

 曹 L. 郭 S. 雪 Z. 诊断主要抑郁症的异常功能连通性：判别分析 精神病学与临床神经科学 2014 68. 2. 110 119 10.1111 / PCN.12106 2 - s2.0 - 84907866047 秦 J。 魏 m 刘 H。 前额顶叶回路白质网络中枢异常有助于模式分类识别抑郁症 磁共振成像 2014 32. 10 1314 1320 10.1016 / j.mri.2014.08.037 2 - s2.0 - 84964289022 撒托 J. R. 蒙 J。 绿 S. 迪克 J.F.W。 托马兹 C. E. 赞恩 R。 机器学习算法准确地检测出重性抑郁的fMRI特征 精神病学研究：神经影像学 2015 233 2. 289. 291. 10.1016 / j.pscychresns.2015.07.001 2 - s2.0 - 84938694131 Bhaumik. R。 詹金斯 l . M。 轧花 J. R. 利用休息状态功能连接检测滞后主要抑郁症的多变量模式分析策略 神经成像：临床 2017 16 390. 398 10.1016 / j.nicl.2016.02.018 2 - s2.0 - 85028007227 Schnyer D. M. 克拉森 个人电脑。 冈萨雷斯 C Beevers C. G. 应用机器学习算法评估磁共振弥散张量测量对抑郁症患者的诊断价值 精神病学研究：神经影像学 2017 264. 1. 9 10.1016 / j.pscychresns.2017.03.003 2 - s2.0 - 85016980085 拉马苏布 R。 棕色的 M. R. G. 皮质塞 F。 主要抑郁症自动分类的准确性作为症状严重程度的函数 神经成像：临床 2016 12 320. 331. 10.1016 / j.nicl.2016.07.012 2 - s2.0 - 84981287375 廖 S.-C. 吴 C.-T。 黄 H.-C. 郑 W.-T。 刘 Y.-h. 基于核特征滤波组常见空间模式的脑电信号重抑郁检测 传感器 2017 17 6. 1385 10.3390 / s17061385 2-S2.0-85020546407 拜雷 通用汽车公司。 LIH. O.S。 Hagiwara y。 使用线性预测编码和高阶谱特征的抑郁症脑电图信号的自动诊断 中国医学影像和健康信息学 2017 7. 8. 1857年 1862年 10.1166 / jmihi.2017.2204 2-S2.0-85032882497 泰姬 W. xia. L. 阿里 S. S. A. yasin M. A. M. 侯赛因 m 马利克 A.S。 脑电图（EEG）基于计算机辅助技术诊断重大抑郁症（MDD） 生物医学信号处理与控制 2017 31. 108 115 10.1016/j.bspc.2016.07.006 2-S2.0-84979895671 阿查里雅 美国R。 哦 S. L. Hagiwara y。 晒黑 J. H. 阿德利 H。 苏 D. P. 基于自动脑电图的抑郁症筛选使用深卷积神经网络 Biomedicine中的计算机方法和程序 2018 161. 103 113 10.1016 / j.cmpb.2018.04.012 2- s2.0-85046376921 瓦斯塔尔 m Gratch J。 舒勒 B Avec 2016:抑郁、情绪和情绪识别研讨会与挑战 第六次国际音频/视觉情感挑战研讨会的诉讼程序 2016年10月 阿姆斯特丹，荷兰 ACM 3. 10 10.1145 / 2988257 嘛 X。 阳 H。 郑ydF4y2Ba Q。 黄 D 王 y。 Depautionet：基于音频的抑郁分类的有效深度模型 第六次国际音频/视觉情感挑战研讨会的诉讼程序 2016年10月 阿姆斯特丹，荷兰 ACM 35. 42. 10.1145 / 2988257.2988267 2 - s2.0 - 84995593589 赵 J。 罗 G。 瑶 Z. 鲁 Q。 基于小波融合的fMRI和DTI数据抑郁症识别 东南大学学报 2012 28. 1. 25. 28. 乐 y。 江 D 朗 H。 裴 E 沙利 H。 基于决策树的音频、视频和语言信息抑郁症分类 第六次国际音频/视觉情感挑战研讨会的诉讼程序 2016年10月 阿姆斯特丹，荷兰 ACM 89. 96. 10.1145 / 2988257.2988269. 2-S2.0-84995567042 Al Hanai. T. Ghassemi M . M。 玻璃 J. R. 用访谈的音频/文本序列模型检测抑郁 语际会议录 2018年9月 印度海得拉巴 1716. 1720. 10.21437 / interspeech.2018 - 2522 2-S2.0-85054954016 哈克 A. 郭 m 矿业公司 A.S。 费腾 L. 从口语和3d面部表情测量抑郁症状的严重程度 2018 http://arxiv.org/abs/1811.08592. Alghowinem S. Goecke R。 瓦格纳 m 帕克 G。 突破谚语 m 抑郁检测眼动作分析 2013 IEEE图像处理国际会议论文集 2013年九月 澳大利亚墨尔本 IEEE. 4220 4224 10.1109 / ICIP.2013.6738869 2-S2.0-84897775782 李 X。 曹 T. 太阳 S. 胡 B ratcliffe. m 眼球运动数据的分类研究：朝向抑郁症检测的新方法 2016年IEEE大会上进化计算会议 2016年7月 加拿大的温哥华BC 1227 1232 10.1109 / cec.2016.7743927 2 - s2.0 - 85008260111 阿姆斯特朗 T. Olatunji B. O. 情感障碍中注意的眼球追踪:元分析综述与综合 临床心理学评论 2012 32. 8. 704 723 10.1016 / J.CPR.2012.09.004 2-s2.0-84867076144 达迪克 A. 巴斯克斯 C 在临床抑郁症正面和负面的情绪面孔双注意偏向：证据眼球追踪研究 行为治疗与实验精神病学杂志 2015 46. 107 114 10.1016 / j.jbtep.2014.09.005 2-S2.0-84924341755 赫斯 E.H。 波尔特 J. M. 瞳孔大小与视觉刺激的兴趣值相关 科学 1960年 132. 3423 349 350 10.1126 / science.132.3423.349 2-S2.0-0000662460 赫斯 E.H。 态度和瞳孔大小 科学的美国人 1965年 212. 4. 46. 54. 10.1038 / Scientificamerican0465-46 2-S2.0-67749089123 乡巴佬 R.A。 威廉姆斯 S. L. 费兰特 F。 大学生快乐与愤怒面孔的瞳孔归因 感知和运动技能 1979年 48. 2. 401. 402. 10.2466/pms.1979.48.2.401 2 - s2.0 - 0018463282 李 m 鲁 S. 王 G。 丰 L. 傅 B 钟 N。 患者的情感，工作记忆力和认知控制，先前未经治疗的次要抑郁症 国际医学研究杂志 2016 44. 3. 529. 541. 10.1177 / 0300060516639169 2 - s2.0 - 84971376620 李 m 鲁 S. 丰 L. 范冰冰 F。 王 G。 初发与未治疗抑郁症患者的情绪体验与情绪一致性工作记忆效应 精神病学杂志》 2016 19 4. 2. 10.4172 / 2378-5756.1000379. 李 m 鲁 S. 王 G。 钟 N。 情感带宽测量和情感紊乱测定 2017 美国专利号US9532711B2 黄 G.-B。 朱 Q-Y。 一世 C.-k. 极限学习机：理论与应用 神经古脑 2006 70 1-3 489 501 10.1016 / J.neucomoM.2005.12.126 2-S2.0-33745903481 黄 G. B. 周 H。 丁 X。 张 R。 回归和多类分类的极限学习机 IEEE系统，人与控制论，B部分（控制论） 2011 42. 2. 513 529. 10.1109 / tsmcb.2011.2168604 2-S2.0-84859007933 托特纳姆 N。 田中 J. W. 利昂 A. C. NimStim面部表情组:未经训练的研究参与者的判断 精神病学研究 2009 168. 3. 242 249. 10.1016 / j.psychres.2008.05.006 2 - s2.0 - 67650479583