基于认知功能的精神分裂症特征的分类研究

李 杨，牛 焱，扆梦楠，马 垚，王 彬,2，李丹丹，李 琼

(1.太原理工大学 信息与计算机学院，太原 030024；2.山西医科大学第一医院 影像科，太原 030001)

精神分裂症(schizophrenia)是人类最常见的具有高患病率的精神疾患之一[1]，因其病程的迁移与反复给患者带来了严重的精神缺损，给家庭和社会带来了沉重的负担。目前精神分裂症的诊断方法有评估量表和影像学分析[2-3]，常用量表有阳性和阴性症状量表(PANSS)和简明精神病评定量表(BPRS).目前，研究者致力于研究对精神分裂症患者客观且方便的判别方法。大部分研究借助于计算机断层扫描(CT)和磁共振成像(MRI)等神经影像技术研发辅助诊断方法[4-5]，但是，神经影像学测试成本较高，数据分析复杂，较难进行广泛推广和运用[6-7]。因此，对精神分裂症患者的判别亟需客观且方便的辅助诊断方法，以提高医生诊断的准确率。

研究表明精神分裂症患者存在严重的认知功能缺陷，特别是在执行控制和注意等方面[8-9]。因此，研究精神分裂症患者的认知功能，对精神分裂症的诊断和治疗具有重要的应用价值[10]。研究表明，任务转换是研究执行控制的一种可靠且有效的度量方法，其为研究注意和任务干扰提供了巨大的可能性[11-12]。任务转换是一种行为心理学实验，该实验是指当被试意识到当前的认知任务反应不合适时为改变任务反应而重新配置精神资源的控制过程[13]。学术上普遍认为精神分裂症患者存在执行功能障碍，国内外研究表明精神分裂症患者在任务转换实验中的反应时间显著长于正常被试，这可能与患者的临床症状有关如行动迟缓、意志活动减退等，导致反应时间延长[14]。

本研究提出采用机器学习的方法对任务转换实验行为学数据提取信息进行分类研究，挖掘行为学数据中的有效信息，并运用于精神分裂症的辅助诊断研究。

1 方法和材料

1.1 被试

病人组(SC)由45名精神分裂症患者组成，年龄22～49岁，正常对照组(NC)由55名性别和年龄与SC组相匹配的健康受试者组成，采用PANSS和BPRS量表对病人组进行了测试，测试结果如表1所示。数据来自于加州大学洛杉矶分校神经精神病学研究小组的一个共享的数据集。参与者接受了神经系统疾病和是否使用精神药物等筛查。

表1 人口数据及量表测试结果Table 1 Demographic data and scale test results

1.2 任务转换实验(TST)

1.2.1 设备

任务转换实验是通过一款商业实验软件e-prime设计实现的。刺激呈现在一个17英寸的戴尔显示器上，刷新率为85 Hz，分辨率为1 024×768.实验中被试视线距离屏幕60 cm，通过他们惯用手的食指或中指按键盘上的左键或右键做出反应。

1.2.2 刺激

本实验包括两种任务:颜色判断(红色或绿色)或形状判断(圆形或三角形)，刺激类型包括4种：红色三角形、红色圆形、绿色三角形和绿色圆形(图1).在这些实验中，任务随机呈现。

实验中使用了两种类型的提示，一种提示是直接指示任务名称的单词(COLOR表示颜色分类任务，SHAPE表示形状分类任务)；另一种提示是字母(C表示颜色分类任务，S表示形状分类任务)。

图1 任务转换实验中四种刺激类型Fig.1 Four types of stimuli in task transformation experiments

1.2.3 程序

受试者在正式实验之前先进行三组独立的练习实验：对颜色、形状以及颜色和形状之间的转换分别进行8次反应实验。练习实验结束后，被试进行正式实验。首先屏幕中心出现线索来提示被试应执行哪类任务(以字母或单词交替出现)，出现时间为200 ms或1 200 ms，随后刺激出现直到被试做出反应，绿色或三角形按左键反应，红色或圆形按右键反应，4种刺激中存在一致的响应条件(绿色三角形或红色圆形出现时，提示是没必要的)和不一致的响应条件(绿色圆形或红色三角形出现时，提示是有效提示)，反应结束后刺激消失，实验间隔时间为600 ms，在此间隔后，下个实验开始(见图2).

图2 实验程序举例Fig.2 Examples of experimental procedures

1.2.4 实验结果记录

本实验中有3个最常被分析的变量：

1) 提示呈现时间。短提示条件下任务准备时间为200 ms，长提示条件下任务准备时间为1 200 ms.

2) 一致性。绿色三角形或者红色圆形出现时为一致的响应条件，而绿色圆形或者红色三角形出现时为不一致的响应条件。

3) 转换条件。当前实验是否与前一实验响应任务相同，若任务相同为重复实验，若任务不同为转换实验。

实验记录了以上3个变量各个情况下的8种反应时间。再根据8种反应时间计算获得的相关认知变量：短提示条件下重复实验和转换实验反应时间的差异为转换代价；长提示条件下重复实验和转换实验反应时间的差异为剩余转换代价；转换代价与剩余转换代价的和为反应转换代价；干扰指的是一致条件和不一致条件下的反应时间差异，同时也相应的计算出了短提示条件下的干扰和长提示条件下的干扰。

1.3 Relief算法

Relief算法由KIRA et al[15]在1992年提出，它根据各个特征和样本的相关性赋予特征不同的权重，特征权重越大，表明该特征的分类能力越强。

特征权重向量W计算如下：

1) 初始化权重向量W[A]=0;

2) 找到样本S的同类最近邻H和异类最近邻M；

3) 计算特征权重：

W[A]:=W[A]-diff(A,S,H)/m+diff(A,S,M)/m.

式中：diff(F,E1,E2)是特征F在样本E1和E2中表达值的差异程度；m为抽样次数。将求出的各个特征权重进行排序后，权重大于某个阈值的特征就构成了最终的特征子集，从而消除了无效特征。

1.4 支持向量机(SVM)

SVM是CORTES et al[16]于1995年提出的。其基本思想是通过恰当的核函数将低维样本空间中的非线性问题映射到高维空间中，在高维空间中构造一个间隔最大的线性分类面，将两个不同的类正确分隔开[17]。

SVM的基本原理为：

设数据集

(xi,yi),xi∈Rd,yi∈{+1,-1},i=1,…,n.

(1)

求解最优分类面即解决以下优化问题:

(2)

式中：w为权重向量；b为偏差；C为惩罚因子；ζi为松弛变量。将上述问题转换为它的对偶问题：

(3)

选择多项式核函数在高维空间进行两个样本的内积运算，解决上述问题后得到最优分类函数：

(4)

其中，αi>0是与支持向量相关的系数。

2 结果与分析

2.1 行为学结果分析

在所有受试者中，有45名精神分裂症患者和55名正常被试接受了任务转换测试，表2总结了精神分裂症组和正常被试组在各个条件下的反应时间数据，而实验中的其他相关变量如表3所示。

表2 两组被试在不同转换条件下的反应时间Table 2 Response time of the two groups under different switch conditions ms

应用SPSS软件对反应时间进行2×2×2×2的重复测量方差分析，其中，2(组别：SC，NC)×2(提示呈现时间：短提示，长提示)×2(一致性：一致，不一致)×2(转换条件：有转换，无转换)为被试内因素。结果表明，组别[F(1,43)=79.6,p<0.000 1,η2=0.649]、提示呈现时间[F(1,43)=467.1,p<0.000 1,η2=0.916]、一致性[F(1,43)=25.4,p<0.000 1,η2=0.371]和转换条件[F(1,43)=136.7,p<0.000 1,η2=0.761]对反应时间的主效应显著。同时，组别和转换条件的交互作用显著[F(1,43)=14.0,p<0.001,η2=0.245]，提示呈现时间和转换条件的交互作用也很显著[F(1,43)=63.2,p<0.000 1,η2=0.595].

表3 实验相关变量Table 3 Experimental related variable

2.2 特征选择

原始特征包括任务转换实验结果记录(8个反应时间、1个准确率、3个转换代价、3个干扰)以及年龄和性别共17个特征，经过特征选择之后短提示一致有转换、短提示一致无转换、短提示不一致无转换、长提示一致有转换、长提示一致无转换、长提示不一致有转换和长提示不一致无转换7个高于平均权重的特征被选择，分类权重如图3(a)所示。

由图可知筛选出来的特征集中在反应时间。认知心理学研究表明：反应时间包含了刺激呈现时间、感官感觉时间、感觉兴奋传递时间、大脑处理兴奋时间、大脑传递反应信号到运动器官的时间和运动器官启动时间[18-19]，在本研究的注意转换任务中，转换代价和干扰主要反映的是大脑加工处理信息的时间。精神分裂症患者在反应时间、转换代价和干扰方面均存在异常。因此，进一步将特征细致分裂，把原始特征分为三大类：8个反应时间和1个准确率共9个直接测量获得的行为学数据为第一类特征；3个转换代价和3个干扰共6个与认知功能相关的为第二类特征；年龄和性别为第三类特征(实验表明这两个特征对分类结果没有贡献)。对第一类特征进行特征选择，分类权重如图3(b)所示。权重高于平均权重的短提示一致有转换、短提示一致无转换、短提示不一致无转换、长提示一致有转换和长提示一致无转换5个特征被选择；对第二类特征进行特征选择，分类权重如图3(c)所示。权重高于平均权重的转换代价、剩余转换代价和反应转换代价3个特征被选择。

图3 不同特征组合分类权重Fig.3 Classification weight graph of different feature combination

2.3 SVM分类结果

基于17个原始特征(模型A)和经过特征选择选出的7个特征(模型B)分别创建SVM模型，通过比较灵敏度、特异度和分类准确率来衡量两个模型的性能，分类结果如表4所示。此外，对两个模型进行了受试者工作特征分析(ROC)，通过比较ROC曲线下的面积(YAUC)的大小来度量两个分类模型的好坏。YAUC的值是指处于ROC曲线下方的那部分区域面积的大小，并且YAUC值越大表示分类器性能越好。两个模型分类效果如图4(a)所示，可以看出，经过特征选择之后分类效果变好。

同时针对第一类特征(模型C)、第二类特征(模型D)、被选择的5个特征(模型E)、被选择的3个特征(模型F)以及被选出的5个特征和3个特征的结合(模型G)各自创建的SVM模型进行分类效果比较，实验结果如表4所示，五种模型的ROC曲线图如图4(b)所示，实验结果表明模型G分类效果最好。

表4 七种模型的实验结果Table 4 Experimental results of the seven models

图4 7种SVM模型的ROC曲线和YAUC值Fig.4 ROC curves and YAUC values of seven SVM models

3 讨论

精神分裂症患者存在严重的认知功能损害，特别是在执行控制、注意、记忆和处理速度等方面。研究表明执行控制功能损伤是精神分裂症患者认知功能中最重要的缺陷。研究精神分裂症患者执行控制功能的异常，并将这些异常行为测量作为判别表征，对精神分裂症患者进行辅助诊断具有重要的应用价值。

对行为学数据的统计分析发现，精神分裂症患者在反应时间上显著慢于正常组，这表明精神分裂患者在感觉信息处理、注意、执行控制等功能上存在显著的不足。同时病人组执行任务正确率也低于正常组，但还没有达到统计学上的显著水平[20]。另外，在任务转换测试相关认知变量上也发现了精神分裂症患者与正常人显著不同。例如，当发现病人在转换实验短提示条件下表现出完整的转换积极性，但在长提示条件下并没有，可能是由于精神分裂症患者在先前活动任务中的表现积极性消散得快，这也会导致在重复实验短提示条件下的执行效果保持不变，但是在长提示条件下执行效果较差，这也进一步表明精神分裂症患者的执行控制功能受损，与以往的研究结果一致[21-22]。这些行为学测试能很好的描述精神分裂症患者在认知功能上存在的异常情况，但是缺乏一种利用这些行为测试数据来对精神分裂症患者进行个体分类的方法。

在本研究中，利用机器学习方法对多种特征组合进行行为数据的分类研究。首先对模型A进行筛选，发现筛选出的特征集中在反应时间(模型B)，模型B分类准确率为85%，比模型A高12%，说明精神分裂症患者与正常人在反应时间上存在明显差异，在完成认知任务时患者的执行功能紊乱。接下来我们对模型C和模型D两大类特征进行比较分析，发现模型C比模型D分类准确率高出20%，对两类分别进行特征选择，模型E和模型F分类准确率分别为88%和75%，表明反应时间和转换代价对分类效果均有影响，因此，将两类筛选出的特征集结合起来创建模型G，达到了90%的分类准确率，说明反应时间与转换代价结合起来具有较强的区分能力，提高了SVM分类模型的性能，结果表明精神分裂症患者存在执行控制的损伤和转换能力的缺陷，可将其作为一种辅助诊断的方法。

对各种模型分类效果进行综合比较分析，结果表明短提示一致有转换、短提示一致无转换、短提示不一致无转换、长提示一致有转换、长提示一致无转换、转换代价、剩余转换代价和反应转换代价8个特征创建的SVM分类模型准确率最高，分类效果最好，与统计分析的结果一致。因此，本研究成功地将特征选择与SVM结合起来，应用任务转换行为学实验，能够客观、有效地识别诊断出精神分裂症个体。

4 结束语

本研究采用行为心理学测试，由计算机来进行计算，可重复检验、实验任务耗时段约0.5 h.获得的行为数据通过Relief特征选择算法和SVM分类器可以快速建立有效的分类模型，达到了较高的分类准确率，数量化指标明确，可作为一种客观且方便的辅助诊断判别方法，以提高医生诊断的准确率。然而，对精神分裂症的研究涉及多方面的理论和方法，本研究只采用了一种行为心理学实验，考虑到任务转换的复杂性，进一步研究其他类型的实验和任务转换的其他方面是很有必要的。

：

[1] 张玲.精神分裂症治疗依从性的研究进展[J].神经疾病与精神卫生,2007,7(5):404-407.

ZHANG L.Research progress in treatment adherence of schizophrenia[J].Neurological and Mental Health,2007,7(5):404-407.

[2] 周平,刘联琦,张斌,等.卡尔加里精神分裂症抑郁量表(中文版)信效度初步分析[J].中国心理卫生杂志,2009,23(9):638-642.

ZHOU P,LIU L Q,ZHANG B,et al.Preliminary analysis of the reliability of Calgary depression scale (Chinese version)[J].Chinese Journal of Mental Health,2009,23(9):638-642.

[3] 朱春燕,汪凯.执行功能与精神分裂症[J].心理科学进展,2004,12(5):743-745.

ZHU C Y,WANG K.Executive function and schizophrenia[J].Advances in Psychological,2004,12(5):743-745.

[4] 高原.功能性磁共振成像(fMRI)在视觉注意研究中的应用[J].内蒙古师大学报(哲社汉文版),2002,31(5):16-20.

GAO Y.The application of fMRI to the study of visual attention[J].Journal of Inner Mongolia Normal University (Philosophy & Social Science),2002,31(5):16-20.

[5] 倪睿,吴新年,齐翔,等.fMRI在视觉研究中的应用和进展[J].生物化学与生物物理进展,2000,27(3):254-257.

NI R,WU X N,QI X,et al.The application and achievements of fMRI in vision research[J].Progress in Biochemistry and Biophysics,2000,27(3):254-257.

[6] 张喆.神经影像技术对心理学的贡献及限度研究[J].学理论,2012(14):65-66.

ZHANG Z.Research on the contribution and limitation of neuroimaging technology to psychology[J].Theory Research,2012(14):65-66.

[7] 刘晋,林敬晖,洪楠.精神分裂症影像学研究[J].中国介入影像与治疗学,2014,11(2):121-124.

LIU J,LIN J H,HONG N.Imaging studies of schizophrenia[J].China's Involvement in Imaging and Therapeutics,2014,11(2):121-124.

[8] MEDALIA A,LIM R.Treatment of cognitive dysfunction in psychiatric disorders[J].Journal of Psychiatric Practice,2004,10(1):17.

[9] 向云.精神分裂症与认知功能障碍[J].中华行为医学与脑科学杂志,2005,14(7):620-622.

XIANG Y.Schizophrenia and cognitive impairment[J].Chin J of Behavioral Med Sci,2005,14(7):620-622.

[10] 王久菊,王鹏飞,权文香,等.精神分裂症的语言认知特点及其脑机制[J].生物化学与生物物理进展,2015,42(1):49-55.

WANG J J,WANG P F,QUAN W X,et al.The linguistic cognitive characteristics of schizophrenia and its brain mechanism[J].Biochemical and Biological Advances,2015,42(1):49-55.

[11] WOODWARD T S,RUFF C C,NGAN E T.Short- and long-term changes in anterior cingulate activation during resolution of task-set competition[J].Brain Research,2006,1068(1):161.

[12] SABB F W,BEARDEN C E,GLAHN D C,et al.A collaborative knowledge base for cognitive phenomics[J].Molecular Psychiatry,2008,13(4):350-360.

[13] MONSELL S.Task switching[J].Trends in Cognitive Sciences,2003,7(3):134-140.

[14] LEE J,PARK S.Working memory impairments in schizophrenia:a meta-analysis[J].Journal of Abnormal Psychology,2005,114(4):599.

[15] KIRA K,RENDELL L A.The feature selection problem:traditional methods and a new algorithm[C]∥Proceedings of Tenth National Conference on Artificial Intelligence.San Jose:AAAI Press,1992:129-134.

[16] CORTES C,VAPMIK V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

[17] 谢刚,古赟,王芳,等.基于支持向量机的图像语义提取研究[J].太原理工大学学报,2011,42(6):563-565.

XIE G,GU Y,WANG F,et al.Semantic extraction of image using support vector machines[J].Journal of Taiyuan University of Technology,2011,42(6):563-565.

[18] 陈曦.视觉认知心理学反应时实验研究的新技术[J].华南师范大学学报(社会科学版),1996(4):70-74.

CHEN X.New techniques of experimental research on visual cognitive psychology reaction[J].Journal of South China Normal University(Social Sciences Edition),1996(4):70-74.

[19] STERNBERG S.Memory-scanning:mental processes revealed by reaction-time experiments.[J].American Scientist,1969,57(4):421.

[20] BARCH D M.What can research on schizophrenia tell us about the cognitive neuroscience of working memory[J].Neuroscience,2006,139(1):73.

[21] 杨丽霞.精神分裂症患者的执行功能的研究[D].上海：华东师范大学,2014.

YANG L X.Research on the executive function of patients with schizophrenia[D].Shanghai:East China Normal University,2014.

[22] REICHENBERG A,HARVEY P D.Neuropsychological impairments in schizophrenia:Integration of performance-based and brain imaging findings[J].Psychological Bulletin,2007,133(5):833-858.