眼动对行为和生理抑郁基于分类方法信号

摘要

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T.- 最低）和主成分分析（PCA）用于选择眼球运动行为和生理信号的特征。最后，基于特征提取，我们使用内核极端学习机（KELM）根据PCA功能识别抑郁症。结果表明，一方面，基于眼球运动行为和生理信号的融合特征的分类性能优于使用单一行为特征和单一的生理特征;另一方面，与以前的方法相比，所提出的抑郁识别方法实现了更好的分类结果。本研究对建立临床用途的自动抑郁型诊断系统具有很大的价值。

1.介绍

抑郁症是一种精神疾病，其特点快感，快感缺乏显著和持续的损失，降低利息。迄今为止，还没有具体的生物学标记已发现抑郁症的诊断。因此，在临床上，抑郁症的诊断主要通过精神科医生通过基于诊断手册（例如，DSM-IV）结构化面谈进行。随着人工智能技术的发展，基于机器学习的模式识别技术已被广泛研究在识别或抑郁症的诊断。

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。使用SVM根据静息状态FMRI的扩散张量成像（DTI）鉴定患有严重抑郁症的患者，最高分类精度为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等使用DTI和SVM识别重度抑郁症患者，其分类准确率、特异性和敏感性最高，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.］．

除了利用fMRI信号识别抑郁症外，近年来基于脑电图的抑郁症识别也得到了广泛的研究。如Liao等利用SVM基于静息状态脑电图信号对重度抑郁症患者进行分类，获得80%的分类准确率[7.］．Bairy等利用决策树算法对EEG信号进行分类，分类准确率、敏感性和特异性分别为94.30%、91.46%、97.45% [8.］．蒙塔等人，使用SVM分类基于静息状态EEG，实现了98.4％的100％的准确度，的96.66％的灵敏度和特异性[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］．

与脑电图和功能磁共振成像信号相比，表情和声音等行为数据更容易获取。因此，人们对基于行为数据的抑郁症分类方法进行了大量的研究。例如，Valstar等使用随机梯度下降的线性支持向量机对基于视频表达、音频和多模态的抑郁症进行分类，F1得分分别为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来对抑郁症进行分类外，许多研究还基于多模态数据来识别抑郁症。例如，Zhao等使用静息态fMRI和DTI的多模态数据进行分类，准确率为80.95% [13］．Le等在特征水平融合音频、视频、语言和睡眠多模态数据，采用决策树算法，抑郁症患者和正常对照组F1得分分别为57.1%和87.7% [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］．Haque等利用因果卷积神经网络(C-CNN)基于表达、声音和语言(文本)的多模态识别重度抑郁症患者的抑郁，获得了83.3%的敏感性和82.6%的特异性[16］．

与EEG/fMRI相比，行为信号更容易从分类信号来源采集，成本更低。因此，基于行为信号和深度学习的抑郁症识别方法引起了研究者的关注。然而，无论是生理信号(fMRI、EEG)还是行为信号(表情、声音等)，这些信号的共同特征都是在个体的自然状态中获得的;例如，静息状态下的脑电图和功能磁共振成像信号都是在人闭眼、放松、不思考的状态下获得的。行为信号，如表情和声音，是在采访中获得的自然状态信号(通常使用虚拟代理)。也就是说，目前采集到的自然状态下的分类信号与情感障碍没有直接关系，而是间接测量情感障碍。然而，抑郁症患者的核心症状是情绪低落，情绪不良是由情绪伤害引起的，因此直接测量情绪获得的信号对于抑郁症识别的研究具有重要价值。

眼动技术为抑郁症的自动检测研究开辟了一条新的途径。眼睛是心灵的窗口，是人类直接观察世界的重要器官。眼动跟踪技术获取的注视对象、注视时间、注视位移、瞳孔大小等眼动信号都是大脑信息处理需求的直接反映，可以定量表征情绪感知。因此，眼动信号是对情绪状态的直接测量。Alghowinem等人首先基于情绪语言刺激获得的眼动特征(水平、垂直和眼睑运动)对30名抑郁症患者和30名正常人进行分类，利用高斯混合模型和支持向量机实现了75%的分类准确率[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。

许多以前的眼睛运动研究表明，一方面，抑郁症患者倾向于有情绪引起偏见[19，即对快乐情绪的注意减少，对悲伤情绪的注意过多，说明抑郁患者的积极注意偏差评分(快乐表情总注视时间与平静表情总注视时间的差值)显著大于正常人。而抑郁患者的消极注意偏差评分(悲伤表情总注视时间与平静表情总注视时间之差)明显小于正常人[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.那25.］．

在本研究中，从不同的情绪图片诱发的与情绪直接相关的眼动信号中提取出两种分类特征:一种是注意偏差评分[20.]它反映眼睛运动行为的信号，而另一个是情感带宽[26.]它反映基于瞳孔直径的生理信号。噪声和冗余信息经常存在于所获取的生理和行为的信号特征，因此需要的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.那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人。从国际标准表达式库中，nimstim集合[29.]，选择了36人（18名男性和18名女性）的三个面部表情（中性，快乐，悲伤）图像。一方面，为了减少不精确因素引起的眼球运动，应尽可能地掩盖耳朵和头发。另一方面，所有面部表情图片的大小，分辨率和灰度级别通过图片管理器软件一致。

数据获取任务分为两类:一类是眼动行为信号，即被试在观看积极或消极偏见任务时获取每个注视点的位置和时间;正偏向任务由36张快乐和中性表情图片组成，负偏向任务由36张悲伤和中性表情图片组成。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。

另一个是眼部运动生理信号（瞳孔直径）采集，即，参与者在视线，负或中立任务期间由每个固定点产生的瞳孔直径的尺寸。正面任务包括两张快乐表达式（总共36张），负任务包括两张悲伤表达式（总共36张），中立任务包括两张中性表达式（总共36张），如图所示2．

采用Tobii T120眼球追踪仪，以120 Hz频率采集并记录每个注视点的位置、时间和瞳孔大小。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，屏幕显示了一对时间为3500毫秒的图片，然后是一个2000毫秒的“∗”，提示他们休息以进行下一次试验。

２.２.分类特性计算

首先，根据采集的眼动行为数据和眼动生理数据，计算眼动行为和眼动生理特征;

2.2.1。行为特征 - 情绪引起偏见

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；负注意偏向是指Figure的“负偏向”任务中，悲伤表情的总注视时间减去中性表情的总注视时间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。

计算积极情感带宽，计算“中性”任务中所有固定点的平均瞳孔直径（图2（a）)从“正”任务的所有注视点的注视点中减去(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，以“中性”任务的平均瞳孔直径为基线，计算正瞳孔直径和负瞳孔直径的变化率。

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．

2.3。分类特征减少

由于眼动特征中可能存在不相关和冗余信息，在归一化后进行降维。这里通过特征选择和特征提取来完成降维。

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T.-检验分析抑郁组与健康对照组是否存在显著性差异( )．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以左右到右侧和顶部到底部的顺序表示为F1〜F24。其中，F1〜F11是行为信号特征，F12〜F24是生理信号特征。

2.3.2。特征提取

通过特征选择获得的24个功能中可能存在冗余;也就是说，特征之间可能存在相关性。因此，需要特征提取。

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： 在哪里E.（X)表示变量的数学期望X．什么时候 那变量之间有很强的相关性X和y．相反，两者之间存在弱相关或不相关。

行为特征与生理特征的相关性如图所示4.．可以看出，某些行为特征之间存在很强的相关性(图)4（a）)和一些生理特征(图4（b）)．

为了消除冗余信息并进一步降低特征的维度，主要成分分析（PCA）用于提取特征。分别用PCA处理行为和生理特征。数字5.节目单方差贡献率和行为特征累积方差贡献率PCA（PCA1，PCA2，...，PCA11）和生理特点PCA（PCA1，PCA2，...，PCA13）。

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 在哪里实际输出，O.是神经网络的预期输出，C是正则化因素，是隐层的功能，和为隐含层的输出矩阵。

核极限学习机(KELM)引入了基于ELM的核函数，解决了低维空间不可分割的问题。核函数定义为

Kelm的最终输出功能是 在哪里N是输入样本的数量。

由于RBF核函数具有较强的学习能力和更少的参数的优点进行优化，RBF核函数在该研究中采用的，如下面的公式中：

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

特征选择在交叉验证折叠内进行，使分类算法更加稳健。要做到这一点，顶K.PCA特征(K.迭代地选择小于或等于PCA特征的数量，并且使用10倍交叉验证方法来训练模型。最后，基于分类精度从多个PCA特征子集中选择最佳特征子集。

数字6.显示了基于不同PCA特征子集的分类准确率。可以看出，随着PCA特征个数的增加，分类准确率一般先增加后降低。根据分类结果，行为信号PCA特征的最优特征子集为PCA1 ~ PCA7，生理信号PCA特征的最优特征子集为PCA1 ~ PCA10。

3.2。不同的信号特征的分类结果的比较

基于眼动行为信号、生理信号及其融合信号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。

3.3。与其他方法的比较

表格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。

表格3.显示与基于融合信号的抑郁分类其他方法的比较，我们所提出的分类方法也比其他方法更好。

我们还比较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。

从表中分类结果的比较2和3.，我们可以看到，基于眼球运动行为和生理信号的融合提出的分类效果也较好。有三个主要方面：第一，与以前的静息态EEG / fMRI的信号和表达/声音，我们获得下外部情绪刺激，这反映了抑郁症患者的当前情绪眼球运动的情感的信息进行比较;第二，我们使用相对变化指标如注意力偏压和情感带宽设有作为分类特征，并且基于此，提取的统计指标（最小，下四分位数，中位数，上四分位数，最大值，平均值，标准偏差）直接相关的数据分布，有效地提高抑郁症患者和正常人之间的差别;第三，通过统计特征选择和基于PCA的特征提取，不相关的功能和冗余信息被有效地除去，和抑郁症的分类性能得到改善。此外，与其他方法相比，我们所提出的方法也有简单的数据采集和分类功能较少的优点。

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

由于这些数据涉及患者和健康主体的个人、私人信息，因此存在道德上的限制。本论文中提到的所有原始数据将根据通讯作者的要求提供。

利益冲突

作者声明他们没有利益冲突。

作者的贡献

米莉，曹磊，和钱宅同等贡献这项工作。

致谢

这项工作是由中国国家自然科学基金（61602017），中国国家重点基础研究发展计划（2014CB744600），北京工业大学的“日新科学家”基金会（2017年-RX（1）-03），北京支持自然科学基金会（4164080），北京市优秀人才培养基金（2014000020124G039），中国国家自然科学基金（61420106005），中国国际科技合作项目（2013DFA32180），北京市科学技术专项基金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).

参考

1. L.曹，S.过，Z. Xue等，“用于重度抑郁症的诊断异常功能连接：一个判别分析，”。精神病和临床神经科学第68卷第2期2, pp. 110-119, 2014。查看在：出版商网站|谷歌学术搜索
2. 秦军，魏敏，刘慧琴等，“前额顶叶回路白质网络异常中枢通过模式分类促进抑郁识别，”磁共振成像，第32卷，第2期10, pp. 1314-1320, 2014。查看在：出版商网站|谷歌学术搜索
3. J. R. Sato, J. Moll, S. Green, J. F. W. Deakin, C. E. Thomaz，和R. Zahn，“机器学习算法准确地检测出功能磁共振成像信号的脆弱性，严重抑郁症，”精神病学研究:神经成像，卷。233，没有。2，pp。289-291,2015。查看在：出版商网站|谷歌学术搜索
4. R.Bhaumik，L. M.Jenkins，J.R. Gowins等，“使用休息状态功能连接检测滞后的主要抑郁症的多变量模式分析策略”科学杂志:临床，第16卷，第390-398页，2017。查看在：出版商网站|谷歌学术搜索
5. D. M. Schnyer, P. C. Clasen, C. Gonzalez和C. G. Beevers，“评估将机器学习算法应用于弥散张量MRI测量在重度抑郁症患者中的诊断效用”，精神病学研究:神经成像， vol. 264, pp. 1-9, 2017。查看在：出版商网站|谷歌学术搜索
6. R. Ramasubbu, M. R. G. Brown, F. Cortese等人，“重度抑郁症自动分类的准确性作为症状严重程度的函数，”科学杂志:临床，卷。12，pp。320-331,2016。查看在：出版商网站|谷歌学术搜索
7. 研究所。廖,C.-T。吴,H.-C。黄,W.-T。程,中州。刘，“基于核特征滤波库共空间模式的脑电信号重度抑郁检测”，传感器，卷。17，不。6，p。1385年，2017年。查看在：出版商网站|谷歌学术搜索
8. G. M. Bairy, O. S. Lih, Y. Hagiwara等人，“使用线性预测编码和高阶谱特征对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，第7卷，第5期第8页，1857-1862页，2017。查看在：出版商网站|谷歌学术搜索
9. W.Mumtaz，L.Xia，S.A.A.Ali，M.A.M. Yasin，M. Hussain和A.S.Malik，“脑电图（EEG）基于计算机辅助技术，以诊断重大抑郁症（MDD），”生物医学信号处理和控制， vol. 31, pp. 108-115, 2017。查看在：出版商网站|谷歌学术搜索
10. U. R. Acharya, S. L. Oh, Y. Hagiwara, J. H. Tan, H. Adeli, and D. P. Subha，“使用深度卷积神经网络的基于脑电图的抑郁症自动筛查”，Biomedicine中的计算机方法和程序，第161卷，第103-113页，2018。查看在：出版商网站|谷歌学术搜索
11. M. Valstar, J. Gratch, B. Schuller等人，“Avec 2016:抑郁、情绪和情绪识别研讨会与挑战”，刊于第六届国际研讨会音频论文集/视觉情感挑战，pp. 3-10，Acm，阿姆斯特丹，荷兰，2016年10月。查看在：出版商网站|谷歌学术搜索
12. X. Ma，H. Yang，Q. Chen，D. Huang和Y. Wang，Depautionet：一种有效的基于音频抑郁分类模型，“第六届国际研讨会音频论文集/视觉情感挑战，PP。35-42，ACM，阿姆斯特丹，荷兰，2016年10月。查看在：出版商网站|谷歌学术搜索
13. J. Zhao，G. Luo，Z. Yao和Q.1u，“抑郁症”抑郁鉴别使用FMRI和DTI数据通过小波的融合方案，“东南大学学报第28卷第2期1，第25-28页，2012。查看在：谷歌学术搜索
14. Y.乐，江D.，H.郎，E沛，和H.沙利，在“从音频视频和语言信息基于决策树分类抑郁症”第六届国际研讨会音频论文集/视觉情感挑战，第89-96，ACM，阿姆斯特丹，荷兰，2016年10月。查看在：出版商网站|谷歌学术搜索
15. T. Al Hanai, M. M. Ghassemi和J. R. Glass，“用访谈的音频/文本序列建模检测抑郁”，刊于interpeech的诉讼程序，第1716-1720页，印度海得拉巴，2018年9月。查看在：出版商网站|谷歌学术搜索
16. A. Haque，M. Guo，A. S. Miner，以及L. Fei-Fei，“从口语和3D面部表情中测量抑郁症症状严重性”，2018年，http://arxiv.org/abs/1811.08592．查看在：谷歌学术搜索
17. S. Alghowinem, R. Goecke, M. Wagner, G. Parker，和M. Breakspear，“用于抑郁检测的眼动分析”，刊于2013 IEEE图像处理国际会议论文集，pp.4220-4224，IEEE，墨尔本，澳大利亚，2013年9月。查看在：出版商网站|谷歌学术搜索
18. X. Li，T.Cao，S. Sun，B. Hu和M. Ratcliffe，“眼球运动数据的分类研究：朝着抑郁症检测的新方法，”2016年IEEE大会上进化计算会议，pp.1227-1232，温哥华，BC，加拿大，2016年7月。查看在：出版商网站|谷歌学术搜索
19. T. Armstrong和B. O. Olatunji，“眼睛跟踪情感障碍中的注意：荟萃分析审查和综合，”临床心理学评论，第32卷，第2期8，第704-723页，2012。查看在：出版商网站|谷歌学术搜索
20. A.杜克和C.巴斯克斯，“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，第46卷，107-114页，2015。查看在：出版商网站|谷歌学术搜索
21. E. H. Hess和J. M. Polt，“瞳孔大小与视觉刺激的兴趣值相关”，科学，卷。132，不。3423，pp。349-350,960。查看在：出版商网站|谷歌学术搜索
22. e·h·赫斯，《态度和瞳孔大小》科学的美国人第212卷第2期第4页，46-54页，1965。查看在：出版商网站|谷歌学术搜索
23. R. A. HICKS，S. L. WILLIAMS和F. Ferrante，“大学生的瞳孔归属于幸福和愤怒的面孔”感知和运动技能，卷。48，不。2，pp。401-402，1979。查看在：出版商网站|谷歌学术搜索
24. 王刚，李敏，卢思生，傅斌，“初发和未治疗的轻度抑郁症患者的情绪、工作记忆和认知控制”，国际医学研究杂志，卷。44，不。3，pp。529-541,2016。查看在：出版商网站|谷歌学术搜索
25. M. Li，S. Lu，L. Feng，F. Bingbing，G. Wang，“情感经验和情绪一致的工作记忆效应，在第一发达和未经治疗的抑郁症患者中”精神病学杂志》，卷。19，没有。4，p。2，2016年查看在：出版商网站|谷歌学术搜索
26. M. Li，S. Lu，G. Wang和N. Zhong，“情感带宽测量和情感紊乱测定”2017，美国专利No.US9532711b2。查看在：谷歌学术搜索
27. G.-B.黄，Q.-Y。朱和C.-k.Siew，“极端学习机：理论和应用，”Neurocomputing，卷。70，否。1-3，pp.489-501,2006。查看在：出版商网站|谷歌学术搜索
28. G. B. Huang，H. Zhou，X. Ding，以及R. Zhang，“回归和多阵容分类的极端学习机”，IEEE系统、人与控制论汇刊B辑(控制论)，第42卷，第2期2, pp. 513-529, 2011。查看在：出版商网站|谷歌学术搜索
29. N. Tottenham, J. W. Tanaka, A. C. Leon等人，《NimStim面部表情集:未经训练的研究参与者的判断》精神病学研究第168期3，页242 - 249,2009。查看在：出版商网站|谷歌学术搜索

版权

版权所有©2020 mi li等。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。