文摘

客观的。述情障碍,精神障碍的诊断的基本概念,特点是在情绪处理财政赤字,因此,情感识别的困难。传统的工具来评估述情障碍,包括面试和自我报告的措施,导致不一致的结果由于一些局限性认识不足。因此,本研究的目的是提出一个新的筛查工具,利用机器学习模型基于面部情绪识别任务的成绩。方法。横断面研究,55个学生大不里士大学的选择基于包含和排除标准和他们的分数在多伦多述情障碍量表(TAS-20)。然后,他们完成了低端的躯体化症状清单- 90修订(sci - 90 r),贝克焦虑量表(BAI)和贝克抑郁Inventory-II (BDI-II),和面部情绪识别(带)的任务。后来,支持向量机(SVM)和前馈神经网络(FNN)分类器是使用K-fold实现交叉验证预测述情障碍,和模型性能评估与曲线下的面积(AUC),精度、灵敏度、特异性和F1-measure。结果。模型取得了精度范围的特征选择和优化后72.7 - -81.8%。我们的研究结果表明,毫升模型能够准确区分述情障碍并确定预测述情障碍的最丰富的物品。结论。我们的结果表明,使用带任务,机器学习模型sci - 90 r, BDI-II,白也可以成功地诊断述情障碍和代表最具影响力的因素预测,可以用作临床仪器帮助临床医生在诊断过程和疾病的早期检测。

1。介绍

述情障碍可以简要描述为情感失明(1),指的是难以表达和识别情绪状态(2]。Alexithymic个人误解情绪激发的躯体症状,试图通过物理抱怨,表达他们的情绪困扰和寻求治疗身体症状(3]。也认为alexithymic个人展览困难理解和调节自己的情绪4]。述情障碍的患病率总体的10% - -13%,和述情障碍症状在男性中更为普遍5]。

述情障碍,特别是次生氧化皮的“识别困难的感情”,与各种精神障碍(6- - - - - -10]。例如,后续研究表明,慢性述情障碍始终与抑郁和各种心理障碍的症状,如cluster-c人格障碍(11- - - - - -13]。此外,存在述情障碍预测贫穷治疗结果的焦虑和躯体形式障碍(14)、抑郁(15],酗酒[16),和混合精神疾病(17]。述情障碍似乎也是神经系统疾病的一个共同的特性,与大多数证据用于创伤性脑损伤的病人,中风和癫痫(18]。因此,识别述情障碍可能有重要的预防,诊断和治疗的影响。

临床判断是最常见的方法来评估述情障碍,这是值得怀疑的心理品质及其未知评分者间信度(19]。下一个方法涉及使用的调查问卷,比如贝斯以色列医院问卷调查(BIQ)和多伦多述情障碍量表(TAS-20),这是便宜的,可以更迅速地管理(20.]。只使用自我报告工具和管理面试有一些限制,因为限制内省的主题影响问卷的结果(21),和采访更艰苦的管理(20.]。

在近年来,临床医生使用的兴趣分析方法有效地诊断精神障碍患者的健康个体根据自己的分数。用于此目的的方法之一是监督机器学习(ML),可以自动从数据中提取信息通过创建不同的算法和技术(22]。毫升的方法被用于不同的领域,如神经成像(22],伪[23,24)、遗传学(25)、临床医学(26,增加心理测试(27]。毫升模型在解决分类问题的好处得到进一步证明(22]。监督毫升方法允许特征在个体水平,因此产生的结果与一个潜在的高水平的临床翻译。此外,正如固有的多元方法,监督毫升方法是敏感的大脑中的空间分布和微妙的影响,这将是无法觉察的如果我们使用传统的单变量方法,关注总在集团层面差异(22]。

在目前的研究中,我们假设一些共同特征的患者述情障碍可能述情障碍的良好预测指标。在这些特性中,述情障碍的截然不同的关系与躯体化、焦虑、抑郁也一直是研究重点2,5,11,28- - - - - -31日]。重大躯体化和述情障碍之间的关系已经报道在临床和临床前的样品2]。已经表明,个人与述情障碍加重抑郁症状(32]。其他的研究(29日,30.)也支持假设的存在述情障碍容易使人抑郁。根据一些证据,焦虑或抑郁会引发活性回归的情感发展,从而发展alexithymic特性(31日]。

考虑到协会的述情障碍与躯体化、焦虑和抑郁,似乎任何上述疾病的存在可以表明述情障碍。因此,假设BDI-II的一些物品,白族,sci - 90 r的躯体症状子量表问卷调查可以用来预测述情障碍。此外,alexithymic特性的上下文中有缺陷的情感识别和监管可以被视为一个潜在的危险因素对医疗和精神疾病33,34]。

面部表情识别(带),作为识别面部表情的过程,是一个最重要的元素在社会沟通和互动(35]。面部表情可以代表我们的情绪和影响情绪和行为的生成和调节响应环境信号(36]。拿来受损患者的述情障碍的高水平37- - - - - -43]。此外,alexithymic患者表现出更少的活动的大脑区域参与提取从面部表情和情感组件带(杏仁核、岛叶、额下回、纹状体和颞中回)(27,38,43]。因此,鉴于精神病理学和精神病学述情障碍的作用,以及协会的述情障碍与带缺陷,本研究旨在调查拿来赤字之间的关系,躯体化、抑郁,焦虑与述情障碍的水平。述情障碍的程度(TAS-20)预测使用带任务数据集规模和躯体化的sci - 90 r, BDI-II,白问卷,毫升的方法实现的人工神经网络(ANN)和支持向量机(SVM)。

2。材料和方法

2.1。参与者

这个研究包括了学生的统计人口的大不里士大学的学年2019 - 2020。在第一阶段的研究中,共有388名学生,174名男性(44.8%)和214名女性(55.2%),选择通过整群抽样(年龄范围= 19-35,米年龄= 23.27,SD年龄= 3.93)。在收到当地伦理委员会的批准(大不里士大学心理学系),学生们了解研究的目的,获得知情同意,他们完成了问卷调查。入选标准年龄19-35和愿意参与这项研究。排除标准都高于35岁或以下19年,任何精神疾病的诊断,使用药物影响的关注或认知,任何疾病的诊断,沉迷于酒精或其他软性毒品,不愿意参与这项研究。

在第二阶段的研究中,26个参与者(11男性和15个女性)满足入选标准是包括在实验研究中。按照纳入和排除标准,29岁的同龄健康对照组(包括6个男性和23岁女性)被选中。分数高于60(助教> 60岁)被视为参与者与述情障碍和分数低于阈值健康对照组(助教< TAS-20规模(60)44]。表1提供了一个描述性的总结所有参与者的人口数据和问卷分数两组(述情障碍和健康控制)。

表1
人口统计和问卷调查数据的描述性统计每组(Alex和HC),影响大小(d),Mann-Whitney的结果U测试。
2.2。行为数据

共有55个参与者包括和分为两组(Alex和HC)基于TAS-20规模上的分界点。根据这个比例,参与者与分值60分以上(助教> 60岁)进入述情障碍组和那些得分低于60(助教< 60)进入健康对照组。表1总结了受试者的临床和人口特征和显示Mann-Whitney的结果U测试毫升中的每个变量进入模型。卡方检验的结果表明,两组没有显著不同的性别分布( = 3.000,p= 0.08)。

2.3。仪器
2.3.1。低端的躯体化症状清单- 90修订(sci - 90 r)

调查问卷主要是由Derogatis et al。45),修订根据临床经验和心理分析,并于1976年完成。受访者回答90个问题5分李克特量表上(0意义“不”,4表示“非常”)。的躯体症状子量表scl - 90 r是常见的躯体症状的12项列表。具有良好的可靠性在不同的研究46]。Akhavan-Abiri和Shaeiri47)报道,可靠性的克伦巴赫α系数为0.87的学生样本。目前的研究还表示这个子量表的可靠性与克伦巴赫α为0.86。

2.3.2。多伦多述情障碍量表(TAS-20)

助教是20块自我报告问卷调查有三个维度,即识别困难的感情(DIF),难以描述的感觉(DDF)和外部导向的思考(测试结束)48]。物品5分李克特量表得分是基于从强烈反对(1)强烈同意(5)。国际截止值如下:20 - 50 = nonalexithymic主题,51-60 =边缘型alexithymic主题,和61 - 100 = alexithymic科目(44]。在我们的研究中,受试者总助教得分超过60视为alexithymic,和那些得分在60人视为nonalexithymic [33]。在伊朗这个示例中,这个问卷的可靠性基于量表的阿尔法整个TAS-20规模为0.79和0.75,0.71,和0.66 DIF,地区指定基金,分别和测试结束。的总得分与其TAS-20规模和DIF,地区指定基金,临床样本和测试结束维度在伊朗使用两次试验法的分别为0.77,0.73,0.69,和0.65,分别49]。

2.3.3。贝克焦虑量表(BAI)

贝克et al。50]介绍了呗,具体措施临床焦虑症状的严重程度。白是21-item问卷,参与者选择四个选项表明焦虑的严重程度。每个问题的四个选项是四点李克特量表上得分从0到3。它的内部一致性系数为0.92,其有效性通过一周两次试验法的0.75 (50]。在伊朗人口,Kaviani和穆萨维(51]报告有效性系数0.72,两次试验法的可靠性系数0.83,0.92克伦巴赫的α。

2.3.4。贝克抑郁Inventory-Second版(BDI-II)

类似于第一版,调查问卷(52]包含21项,个人选择一个四个选项为每个项,以表明他们的抑郁症状的严重程度。每一项的得分也从0到3。的21项BDI-II分为三组:情感、身体、和认知症状。贝克et al。52]报道0.73到0.92的内部一致性,为病人组一个α系数0.86,0.81 nonpatient集团。多布森和穆罕默德造成损失53)获得门诊病人的α系数为0.92和0.93的学生,和一周两次试验法的系数是0.93在伊朗获得样本。

2.3.5。面部表情识别(带)的任务

基于计算机的任务是利用面部表情的识别能力进行评估。设计通过使用Python软件和视频从阿姆斯特丹中提取动态面部表情(adf),并验证了鹰et al。54]。

任务开始实践试验允许参与者熟悉主要的测试。在实验的开始(图1),提出了一种固定交叉为500 ms定位参与者的视觉注意力。实践部分包括14试验(一男一女主持人的视频)和主要试验包括168试验(4男4女主持人的视频和三个随机重复的六种基本情绪)。主持人与欧洲和亚洲面临随机呈现以下表达式:幸福、悲伤、愤怒、厌恶、恐惧、惊讶,没有情感。还有一分钟间隔的两个阶段实践和学习效果的主要测试来消除。在每个部分,视频显示在屏幕上6秒。参与者被要求按下空格键时首先发现的情绪状态,然后他们有6秒钟选择情感表达的名字,这是显示在屏幕的底部。


图1
面部表情识别(带)的任务是在这项研究中使用。试验的总数是168。交叉固定,在屏幕上出现500 ms,立即紧随其后的是一个动态面部表情为6000 ms。参与者必须按下空格键就认识到情感,他们有6秒的选择类型的情感选择。
2.4。实验的程序

在第一阶段的研究中,完成问卷,参与者被分为述情障碍组(称为亚历克斯)和健康对照组(HC)基于问卷调查的结果。在第二个阶段,参与者带任务执行的两组,这是由情感和认知心理学系实验室,大不里士大学。我们样品的特性(包括参与者的数量,意思是,我们在每组变量和标准偏差)展示在表1。

2.5。分类算法

SVM和前馈神经网络(FNN)算法是两个监督学习分类方法,在本研究用于分类。支持向量机是一种特定类型的监督毫升方法旨在基于统计学习理论的分类数据点通过最大化类之间的差距在高维空间(55- - - - - -57]。一个支持向量机分类器预测问题转换成一个正方形优化问题,减少流程更好更快地在训练阶段和执行方面与其他算法相比,预测精度(57,58]。模糊神经网络算法使用多个特性来预测目标变量通过学习输入数据通过他们的重量。模糊神经网络也受到生物神经系统的功能,如并行计算、非线性、适应性,响应能力和容错59]。一个模糊神经网络是由许多层(单层或多层设计)和神经元的行为类似于生物神经元。支持向量机和模糊神经网络分类器选择了由于他们的准确性能非线性高维数据和广泛使用在各种不同的机器学习应用程序中,包括精神病学和心理学研究[21,23,60]。

2.6。培训和绩效评估模型

两套预测变量被用来训练每毫升模型:(1)所有可用的数据,即人口信息,sci - 90 r项目,识别,和时间拿来任务的组件,和三个分量表的抑郁和焦虑分数和(2)的一个子集选择可用的数据是基于特征选择的过程,包括SCL-5、中性的识别,惊喜识别,恐惧,厌恶,悲伤,愤怒,抑郁身体症状、抑郁情绪症状,认知症状,抑郁症和焦虑。毫升模型变量的两组培训评估的必要性的所有预测变量并确定所选临床的重要性尺度之间的分类特征选择过程中组亚历克斯和HC。

k-fold交叉验证(k= 5,k= 10)技术被用来评估模型的普遍性。这种技术通常用于毫升方法比较和选择一个特定的模型对于一个给定的预测建模的问题。一般来说,估计偏差与其他方法相比更低。Hyperparameter优化进一步调整使用贝叶斯优化在每个交叉验证。这是一个重要的程序用来分类新数据,因为它允许对看不见的数据模型来模拟。支持向量机和模糊神经网络分类器,内核函数和层数和神经元hyperparameters很重要,分别;他们调整使用k-fold交叉验证。模型性能评估使用曲线下的面积(AUC)、精度、灵敏度、特异性和F1-measure。

选择最好的特性准确预测,顺序(向后)特征选择方法。反向淘汰,模型开始删除所有特性和最重要的特性是在每次迭代中,改善了模型的性能。这个过程停止时,没有观察到更多的性能。

最后评估毫升模型,样本总数的20%通过随机选择守恒作为测试集。剩下的80%被用来训练模型k-fold交叉验证,优化模型在每一步的表现。之后,最终的最优测试集分类器进行评估,未见的算法在训练过程。

2.7。混淆矩阵

为了表示分类的结果,使用混淆矩阵。比较分类模型的性能,以下进行了测量:准确性、精确性、特异性,和回忆(灵敏度)混淆矩阵的基础上计算,以及F1-measure基于谐波计算的精度和召回。以下方程显示混淆矩阵之间的关系和性能度量(图2): TP代表alexithymic患者检测到正确的数量,TN代表数量的健康个体正确检测到,FN代表数量的alexithymic患者检测到健康个体,和FP代表alexithymic病人发现的健康个体数。


图2
混淆矩阵。TN:真阴性,《外交政策》:假阳性,FN:假阴性,和TP:真阳性。
2.8。数据分析

使用SPSS、MATLAB v2017a执行数据分析。的55毫升模型中的参与者进入,29人(6男性和23岁女性平均年龄为23.965 (SD = 5.697))被放置在HC组。基于TAS-20问卷的分界点,26人(11男性和15个女性平均年龄为23.192 (SD = 5.557))被分配到述情障碍组。Mann-WhitneyU执行测试来比较两组之间的临床变量(Alex和HC);影响大小(d通过伯伦斯坦)指定的公式(61年]。科恩建议基准(小:d= 0.2,介质:d= 0.5,大:d= 0.8)也被用来解释的大小尺度效应(62年]。此外,卡方检验是用于比较分类变量,如性别。

两组之间分类的第一步,我们跑分类器包括所有的变量。在第二步中,使用特征选择算法,选择提高分类精度的特性。k-fold交叉验证技术被用来调整hyperparameters。图3描述了模型训练的整个过程,评估和测试。


图3
机器学习程序训练和测试数据。

3所示。结果

3.1。分类模型

支持向量机和模糊神经网络分类算法能够区分亚历克斯和HC。分类模型的混淆矩阵如表所示2。混淆矩阵见表2代表的值最终分类模型的性能使用两种不同的分类器(模糊神经网络和支持向量机),两种不同的评价方法(使用5倍交叉验证和10倍交叉验证)没有/特征选择和hyperparameter调优。一般来说,混淆矩阵代表的分布的找到所有的预测值和如何与自己的真实值。

表2
混淆矩阵最终模型的两种不同的分类器(模糊神经网络和支持向量机),两种不同的评价方法(使用5倍交叉验证和10倍交叉验证)没有/特征选择和hyperparameter调优。

表3显示了模型性能为每个分类算法使用5倍交叉验证和10倍交叉验证和没有特征选择和hyperparameter调优。SVM模型明显更好的性能与特征选择和hyperparameter调优。这个分类器,训练有素的10倍交叉验证,数值表现更好,而且预测精度为81.8%,AUC为0.80。模糊神经网络模型的性能没有显著变化(0.73)的预测精度为72.7%,AUC当训练与特征选择和hyperparameter调优或没有优化。

表3
模型测量包括精度、灵敏度、特异性,AUC,和F1-measure两种不同的分类器(模糊神经网络和支持向量机),两种不同的评价方法(使用5倍交叉验证和10倍交叉验证)没有/特征选择和hyperparameter调优。

Hyperparameter优化的支持向量机算法进行了使用贝叶斯优化。径向基函数(RBF)内核被选中来定义这个模型的支持向量机模型和最优hyperparameters = 893.56 = 6.03和内核规模。对于前馈神经网络,设置包括一个隐层神经元和10。这些hyperparameters视为默认为最简单的神经网络。

通过特征选择过程中,我们也发现了11个最重要的预测因子,区分亚历克斯和HC组。这些预测是SCL-5,中性的识别,惊喜识别,恐惧,厌恶,悲伤,愤怒,抑郁症状、抑郁情绪症状,认知症状,抑郁症和焦虑。为了指定优化的效果和特征选择模型、分类器是运行和特征选择。

4所示。讨论

近年来增加使用新方法如毫升诊断各种医疗疾病和精神疾病;这些方法可以替代工具,如临床判断和调查问卷。此外,现有的方法有一些缺点,很难诊断这些条件更有把握。例如,Mannarini et al。20.)显示使用TAS-20的缺点和多伦多述情障碍的结构化面试(TSIA)。他们的研究结果表明,TSIA更耗时(最少40分钟)和所需的培训管理,和它的准确性依赖于标准化管理和评级不同面试官。TAS-20结果的准确性也取决于受访者的动机和能力回复真诚(20.]。此外,常见的统计方法不能诊断疾病基于现有的数据(21]。相比之下,毫升模型是基于特征选择检测的最佳预测疾病(22]。

本研究的目的是使用最合适的ML模式能够让最好的alexithymic和健康人之间的区别。此前,两项研究利用机器学习模型预测述情障碍。Yontem和亚当63年)一个SVM模型应用于预测述情障碍的水平通过无意识思想的数据集。他们的发现表明无意识思想将有助于对述情障碍的预测。Orru et al。21)发明了一种机器学习模型,提高了诊断纤维肌痛患者的述情障碍。然而,这些研究预测述情障碍通过问卷分数和他们不利用其他神经心理测量。在目前的研究中,我们实现了ML的方法来预测基于拿来述情障碍的任务。我们的研究结果支持假设利用毫升技术通过拿来分数增加检测述情障碍的能力。在结果部分解释说,传统的统计分析表明,大多数变量和项目在本研究中对述情障碍有显著的影响。

另一方面,分类模型基于ML技术有更高的精度在72.7 - -81.8%的范围特征选择和优化。分类器能够正确(i)受试者分成两组进行分类(Alex和HC)和(2)确定最丰富的特性和预测。目前的研究结果表明,支持向量机模型使用10倍交叉验证和功能选择产生了81.8%的准确性(AUC = 0.8,F1 = 0.84)。根据文献,所有最重要的预测因子选择使用特征选择方法与另一个相关联;使用这些物品在我们的组合措施将使心理健康专家更准确地预测述情障碍。因此,根据我们的发现,我们要设计一个小工具,可以帮助心理学家或精神科医生在临床设置的助手(1)预测述情障碍之前不需要培训和(2)解释结果没有被管理员的偏见的影响。

在介绍中提到的,述情障碍患病率相对较高的社会中,与各种各样的心理疾病,并减少治疗的有效性在许多精神障碍。此外,病人可能会误解他们的情绪激发的疾病(64年]。这可能会导致疾病和病人的overperception寻求医疗帮助,虽然没有医学解释这些症状(21]。因此,改善述情障碍的诊断方法,如使用毫升模型,可以帮助医生确定并提供一个专业、及时治疗,提高患者的生活质量。识别和检测的结果可能会强调困难的情绪,冷漠和惊喜和他们的反应时间等识别情绪如恐惧、厌恶、悲伤和愤怒。其中,中性情绪状态的识别是显著的。这些发现可以为未来的研究提供重要的意义,应该调查的因素参与alexithymic病人的问题。

这项研究有一些局限性。我们的病人没有诊断根据结构化诊断访谈;而他们得分基于自我报告。第二个限制是小样本的大小。的388名参与者对助教,只有26人得到一个明确的分界点述情障碍的诊断。未来的复制与一个更大的样本量是必要的更明确的结论。除此之外,关于冲突的文献关于性别差异在述情障碍的患病率,建议未来的研究应考虑性别的角色在他们的结果。

5。结论

我们使用的问卷项目(躯体化内部氧化物从sci - 90 r, BDI-II,和白)和带任务预测述情障碍,与这些测量是相辅相成,提高预测精度。使用我们提出的小工具,诊断的准确性(由治疗师或助理治疗师)增加,仍受等因素影响评估员的偏见和困难在解释访谈或问卷调查的结果,和之前没有必要培训解释的结果我们的小玩意。除此之外,使用问卷调查的一个常见问题是,受试者(患者)可能试图提供一个积极的自我形象。拿来的任务,然而,这个问题消失由于测试的性质,一个只需要选择正确的情感从可用选项。

数据可用性

本研究中使用的原始数据将由作者提供给其他合格的研究人员。

伦理批准

所有程序执行在这项研究中,涉及人类参与者,按照道德标准的制度研究委员会和1964年赫尔辛基宣言及其后来的修正案或类似的道德标准。

所有的参与者,作者是感激,是成人和同意参与这项研究。

的利益冲突

作者没有利益冲突的声明。

作者的贡献

尼玛Farhoumandi导致资源和数据管理和写道,准备初稿。Sadegh Mollaey导致软件和形式分析。Soomayeh Heysieattalab概念化、验证和监督研究开发方法,写和准备初稿。Mostafa Zarean概念化和验证研究和开发方法。Reza Eyvazpour编辑手稿和可视化研究。