李晨曦，李宇龍，王玲玲，林鑫鑫，戴 紅，崔 迪，方 鵬，苗丹民

(空軍軍醫(yī)大學(xué)軍事醫(yī)學(xué)心理學(xué)系，陜西省生物電磁檢測(cè)與智能感知重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710032)

反芻是指對(duì)負(fù)性刺激的持續(xù)關(guān)注，包括負(fù)性事件的原因和后果以及由此產(chǎn)生的消極情緒，從而導(dǎo)致抑郁等癥狀，這是一種非適應(yīng)性的調(diào)節(jié)情緒方式[1-3]。根據(jù)反應(yīng)方式理論，反芻會(huì)延長(zhǎng)和加劇對(duì)負(fù)面或壓力事件反應(yīng)的痛苦，并增加絕望感，使初期的抑郁癥狀更易轉(zhuǎn)變?yōu)橹囟纫钟鬧4]。研究表明，反芻和乙醇濫用、焦慮癥狀、廣泛性焦慮障礙、社交焦慮障礙、強(qiáng)迫癥、創(chuàng)傷后應(yīng)激綜合征、精神分裂癥、邊緣型人格障礙以及神經(jīng)性貪食癥等精神障礙相關(guān)[5]。

盡管反芻的評(píng)估量表眾多，但使用最廣泛的依然是NOLEN-HOEKSEMA等[1]于1991年編制的《反芻反應(yīng)量表》(Ruminative Response Scale，RRS)。目前，傳統(tǒng)的反芻研究大多使用RRS，但傳統(tǒng)心理測(cè)試量表的局限性也非常明顯，特別是在心理選拔中[6-7]，由于虛假作答、社會(huì)贊許和主觀傾向等問題[8-11]，嚴(yán)重影響了反芻心理檢測(cè)的效果。因此，客觀測(cè)量受測(cè)者的反芻意識(shí)活動(dòng)，尋找反芻思維的神經(jīng)標(biāo)志物以識(shí)別反芻人群，有助于提高對(duì)高反芻人群的識(shí)別率，對(duì)于精準(zhǔn)心理選拔具有十分重要的意義。

SUTHERLAND等[12]認(rèn)為反芻實(shí)際上就是因其更多的負(fù)性情景記憶而被啟動(dòng)的，因此，特定情景記憶可以作為啟動(dòng)反芻的最為有效且快速的手段。在情景記憶的研究中，WILSON-MENDENHALL等[13]提出了“情景沉浸”理論，他認(rèn)為由精確語言引導(dǎo)的沉浸式心理想象是一種理想的范例，令受測(cè)者迅速將自己投射到各種不同情境中，這一成果在YADAV等[14]的研究中得到證實(shí)。自然語言，是人類日常所使用的語言，是交際的重要方式[15]。研究發(fā)現(xiàn)，自然語言特定誘發(fā)材料可更好地喚起整段情景記憶[13，16]。隨著人工智能的發(fā)展，自然語言處理技術(shù)(natural language processing，NLP)已經(jīng)能夠?qū)崿F(xiàn)包括機(jī)器翻譯、自動(dòng)匯總、情感分析和文本分類等一系列工作[17]。本課題組前期結(jié)合“情景沉浸”理論和NLP技術(shù)，構(gòu)建了反芻誘發(fā)材料，經(jīng)驗(yàn)證材料的信效度均較好，可以有效誘發(fā)受測(cè)者的反芻思維[18]。雖然刺激材料已經(jīng)可以有效誘發(fā)受測(cè)者的反芻思維，但是由于量表的贊許性、掩飾性等固有缺陷，仍然需要更為客觀的指標(biāo)幫助識(shí)別高反芻者，從而使測(cè)量結(jié)果更加準(zhǔn)確。

與功能核磁共振、腦磁以及近紅外相比，腦電(electroencephalogram，EEG)以其高時(shí)間分辨率、經(jīng)濟(jì)、便攜等優(yōu)點(diǎn)，在反芻思維的神經(jīng)基礎(chǔ)的研究中被廣泛使用。FORNER-PHILLIPS等[19]研究發(fā)現(xiàn)，具有反芻特質(zhì)的人在背景記憶過程中，α和β波的功率發(fā)生異常，WANG等[20]采用EEG研究重度抑郁癥患者的反芻思維的腦網(wǎng)絡(luò)特征，結(jié)果顯示患者在思維反芻的過程中，大腦網(wǎng)絡(luò)的空間整合在時(shí)間尺度上向局部遷移，F(xiàn)ERDEK等[21]針對(duì)抑郁反芻患者的情緒控制環(huán)路進(jìn)行研究，發(fā)現(xiàn)高反芻者的左側(cè)顳葉的EEG信號(hào)的能量顯著高于正常受測(cè)者。這些研究說明，相比于正常人，高反芻人群的EEG具有一定的特異性，有可能為高反芻人群的早期識(shí)別提供輔助。

綜上所述，本研究擬采用EEG技術(shù)，以自然語言構(gòu)建的反芻量表作為反芻思維的誘發(fā)材料，探索反芻情景范式下不同被試的EEG特征差異，以期實(shí)現(xiàn)對(duì)高反芻人群的輔助心理測(cè)量。

1 對(duì)象與方法

1.1 對(duì)象

被試從陜西警官職業(yè)學(xué)院2 100名入學(xué)新生中篩選。首先，采用RRS和正性負(fù)性情緒量表對(duì)被試進(jìn)行評(píng)估，并根據(jù)RRS分?jǐn)?shù)的百分位排名(percentile rank，PR)篩選被試。RRS分?jǐn)?shù)大于65%(PR>65)的被試為高反芻者，RRS分?jǐn)?shù)小于27%(PR<27)的被試為低反芻者。最后，共篩選具有高反芻特質(zhì)人群100名，根據(jù)自愿原則，56名[PR>65，RRS評(píng)分(63.79±6.38)分，平均年齡(22.48±7.73)歲]高反芻者自愿參與EEG實(shí)驗(yàn)，同時(shí)招募29名正常被試[PR<27，RRS評(píng)分(22.14±0.44)分，平均年齡(20.59±1.64)歲]。排除標(biāo)準(zhǔn)：①精神病學(xué)史；②曾在精神科住院；③目前或過去使用抗精神病藥物；④神經(jīng)系統(tǒng)疾病史；⑤為了統(tǒng)一，本研究?jī)H招募右利手，排除左利手被試。該研究已獲得空軍軍醫(yī)大學(xué)西京醫(yī)院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)(許可證號(hào)：KY20193304-1)。所有參與者在進(jìn)行正式實(shí)驗(yàn)之前都簽署了知情同意書，并獲得了相應(yīng)經(jīng)濟(jì)補(bǔ)助。

1.2 方法

1.2.1 EEG數(shù)據(jù)采集 反芻誘發(fā)刺激材料采用本課題組自主編寫的基于自然語言的反芻刺激材料[18]。被試在主試引導(dǎo)下完成問卷測(cè)試。問卷共包括反芻刺激材料(37項(xiàng)，占70%)和中性材料(16項(xiàng)，占30%)，共計(jì)53道題目。在被試完成問卷的同時(shí)，使用無線EEG設(shè)備采集EEG信號(hào)。所有題目混合隨機(jī)呈現(xiàn)在電腦屏幕上。被試坐于實(shí)驗(yàn)電腦前，眼睛距刺激屏幕70 cm左右。待被試熟悉環(huán)境準(zhǔn)備好后，閱讀指導(dǎo)語明白后隨機(jī)呈現(xiàn)誘發(fā)材料作答。每項(xiàng)刺激之間以500 ms加號(hào)間隔。要求被試使用鼠標(biāo)或鍵盤選擇“是”或“否”選項(xiàng)作答。每項(xiàng)材料作答時(shí)間不限，被試鼠標(biāo)選擇后題目立刻消失。為了截取被試做特定題目的EEG信號(hào)，本研究同時(shí)采集了被試的眼動(dòng)信號(hào)作為題目開始和結(jié)束的時(shí)間戳。本實(shí)驗(yàn)流程圖見圖1。

EEG信號(hào)由32通道半干電極帽通過無線多通道EEG圖采集系統(tǒng)(臻泰NT1，臻泰智能，中國)采集。采樣率為500 Hz。該設(shè)備使用了國際10-20電極放置系統(tǒng)，F(xiàn)Pz為參考電極，CPz為接地電極。阻抗水平設(shè)置為小于20 kΩ。在500 Hz的采樣率下，以24位分辨率采集EEG的所有通道，共模抑制比為120 dB，輸入阻抗為1 GΩ，輸入噪聲小于0.4 μV/ms。

EEG：腦電。圖1 刺激材料作答及EEG記錄程序流程圖

1.2.2 EEG數(shù)據(jù)預(yù)處理 EEG信號(hào)預(yù)處理使用安裝在MATLAB 2018b中的FildTrip(版本20221122)完成。首先檢查數(shù)據(jù)質(zhì)量并使用插值法處理波段信道。接著去除50 Hz工頻干擾。然后，用1～100 Hz零相帶濾波器對(duì)EEG圖進(jìn)行帶通濾波。隨后，根據(jù)同時(shí)采集眼動(dòng)信號(hào)的時(shí)間標(biāo)記(每個(gè)通道中每個(gè)參與者的53個(gè)題目)將任務(wù)EEG劃分為每個(gè)題目相關(guān)的信號(hào)時(shí)間段。手動(dòng)檢查并刪除所有干擾較大的數(shù)據(jù)。如果數(shù)據(jù)壞段總數(shù)超過5個(gè)，則數(shù)據(jù)無效。總計(jì)刪除10名高反芻者的EEG數(shù)據(jù)，余下46名高反芻被試的數(shù)據(jù)進(jìn)行后續(xù)的計(jì)算和分析。隨后對(duì)信號(hào)進(jìn)行獨(dú)立成分分析，刪除眼動(dòng)、肌電、心電等干擾信號(hào)，以最終獲得干凈的EEG信號(hào)。

1.2.3 EEG信號(hào)相干性計(jì)算 本研究提取不同通道EEG信號(hào)相干性特征進(jìn)行后續(xù)分析。首先將EEG信號(hào)分為theta(4～7 Hz)、alpha(>7～12 Hz)、beta(>12～29 Hz)、gamma1(>29～59 Hz)和gamma2(>59～80 Hz)5個(gè)頻段，采用Matlab的“mscohere”函數(shù)計(jì)算電極對(duì)之間的相干性。“mscohere”函數(shù)使用Welch’s的重疊平均周期圖方法估計(jì)幅度平方相干函數(shù)(每個(gè)窗口使用512個(gè)點(diǎn)，90%重疊)。對(duì)于信號(hào)x和y，Cxy(f)的相干值計(jì)算為以下函數(shù)：信號(hào)x的頻譜密度表示為Pxx(f)；y的頻譜密度表示為Pyy(f)；x和y的交叉頻譜密度，表示為Pxy(f)：

(1)

得到電極對(duì)之間的相干特征之后，對(duì)所有電極對(duì)的相干性值取平均，獲得全腦信號(hào)上述5個(gè)不同頻段的相干特征。值得注意的是，為了盡量減少體積傳導(dǎo)的影響，本研究在計(jì)算每個(gè)波段的平均相干性之前將相鄰電極的相干性設(shè)置為零。

1.2.4 支持向量機(jī)(support vector machine，SVM)分類 本研究將每個(gè)人的題目根據(jù)題目屬性分成反芻題和中性題，分別提取兩類題目的5個(gè)頻段的全腦的相干特征，也就是說，每個(gè)人共有10個(gè)特征。接著，采用SVM的方法，對(duì)兩組被試進(jìn)行分類。本研究采用RBF核函數(shù)。在模型訓(xùn)練過程中，將本研究全部的75個(gè)被試樣本(其中，反芻組46人，對(duì)照組29人)隨機(jī)抽取60個(gè)樣本作為訓(xùn)練集，15個(gè)樣本作為最終的測(cè)試集。首先，在訓(xùn)練集中，采用5折交叉驗(yàn)證的方法，尋找最佳的模型參數(shù)c(損失函數(shù)參數(shù))和g(核函數(shù)參數(shù))，然后在訓(xùn)練集中獲得SVM二分類模型，最后將訓(xùn)練好的模型，在測(cè)試集上進(jìn)行驗(yàn)證。本研究共分三種情況分別進(jìn)行分類分析，分別是只用反芻題的EEG相干性作為特征，只用中性題目的EEG相干性作為特征以及將兩種題目混合作為特征進(jìn)行分類。

2 結(jié)果

本研究采用基于“情景沉浸”理論和自然語言處理技術(shù)編寫的反芻誘發(fā)材料作為刺激材料，采集被試在閱讀芻刺激材料并答題的過程中的EEG信號(hào)，通過對(duì)EEG信號(hào)進(jìn)行數(shù)據(jù)檢查、預(yù)處理和分段，得到53道題目對(duì)應(yīng)的EEG數(shù)據(jù)，并根據(jù)題目的種類，將EEG信號(hào)分為反芻題和中性題兩種，計(jì)算53道題目對(duì)應(yīng)的全腦不同通道之間的相干性特征，得到2種類型題目，5個(gè)頻段的EEG相干特征，最后采用SVM分類算法，對(duì)兩組被試進(jìn)行分類。

2.1 反芻誘發(fā)刺激材料評(píng)估

研究中使用的刺激材料采用“是”和“否”兩級(jí)回答選項(xiàng)，回答“是”計(jì)1分，回答“否”計(jì)0分，將回答為“是”的百分比定義為刺激材料對(duì)被試反芻思維的喚醒率。本研究最終計(jì)算了75名被試在測(cè)試過程中，對(duì)題目的反應(yīng)時(shí)以及回答為“是”的百分比。統(tǒng)計(jì)結(jié)果顯示，在做反芻題時(shí)，反芻組的喚醒率顯著高于對(duì)照組[(62±32)%vs(16±19)%，P<0.001)，而在做中性題時(shí)，兩組被試的喚醒率沒有顯著差異[(8±15)%vs(8±12)%，P=0.93)。對(duì)反應(yīng)時(shí)的統(tǒng)計(jì)結(jié)果顯示，在做反芻題時(shí)，反芻組的反應(yīng)時(shí)長(zhǎng)顯著大于對(duì)照組[(15.73±4.62)msvs(12.82±3.14)ms，P<0.001)，做中性題目時(shí)，兩組被試反應(yīng)時(shí)沒有顯著差異[(9.66±4.05)msvs(11.03±3.52)ms，P=0.14)。

2.2 兩組被試的EEG特征

本研究計(jì)算了兩組被試回答兩類題目的theta(4～7 Hz)、alpha(>7～12 Hz)、beta(>12～29 Hz)、gamma1(>29～59 Hz)和gamma2(>59～80 Hz)5個(gè)頻段全腦的相干性(表1)。統(tǒng)計(jì)結(jié)果顯示，在做反芻題目時(shí)，反芻組的全腦相干性在beta和gamma2頻段顯著升高，而在做中性題目時(shí)，反芻組的全腦所有頻段相干性均顯著升高，這可能和被試持續(xù)沉浸在反芻情景中有關(guān)。此外，本研究還分別對(duì)兩組被試做反芻題目和中性題目的全腦相干特征進(jìn)行組間統(tǒng)計(jì)，結(jié)果顯示，對(duì)照組在做中性題目和反芻題目時(shí)，全腦的相干性特征沒有顯著變化，而反芻組全腦相干性分別在theta、alpha、beta和gamma1頻段顯著降低。這也從側(cè)面說明，反芻題目誘發(fā)了反芻組的反芻思維。

表1 反芻組和對(duì)照組在回答兩種題目時(shí)的全腦相干性

2.3 基于題目屬性的高反芻人群識(shí)別結(jié)果分析

提取了兩組被試回答兩種屬性題目的全腦5個(gè)頻段的全腦相干性特征后，采用SVM算法，對(duì)兩組人群進(jìn)行分類識(shí)別。

2.3.1 僅提取兩組被試在回答中性題目時(shí)的EEG相干特征的分類結(jié)果 僅提取兩組被試在回答中性題目時(shí)的EEG相干特征，并進(jìn)行人群分類，結(jié)果顯示，得到的SVM模型在測(cè)試集中的準(zhǔn)確率為86.67%，ROC曲線下面積(area under the curve，AUC)為0.86(圖2)。

A：SVM分類結(jié)果(測(cè)試集樣本類別中0表示否，1表示是)；B：ROC曲線圖。SVM：支持向量機(jī)；AUC：曲線下面積。

2.3.2 僅提取兩組被試在回答反芻題目時(shí)的EEG相干特征的分類結(jié)果 僅提取兩組被試在回答反芻題目時(shí)EEG相干特征，并進(jìn)行人群分類，得到的SVM模型在測(cè)試集中的準(zhǔn)確率為66.67%，AUC為0.88(圖3)。

A：SVM分類結(jié)果(測(cè)試集樣本類別中0表示否，1表示是)；B：ROC曲線圖。SVM：支持向量機(jī)；AUC：曲線下面積。

2.3.3 反芻題目與中性題目混合的分類結(jié)果 將被試在回答所有題目時(shí)的EEG相干特征作為特征向量進(jìn)行人群分類，結(jié)果顯示，得到的SVM模型在測(cè)試集中的準(zhǔn)確率為86.67%，AUC為0.96(圖4)。

A：SVM分類結(jié)果(測(cè)試集樣本類別中0表示否，1表示是)；B：ROC曲線圖。SVM：支持向量機(jī)；AUC：曲線下面積。

2.3.4 三種特征組合對(duì)比 最后，分別對(duì)三種模型進(jìn)行評(píng)估，計(jì)算對(duì)比了三種組合特征在對(duì)兩組人分類識(shí)別過程中的準(zhǔn)確率、靈敏度和特異度(表2)。雖然，采用中性題目進(jìn)行分類時(shí)的準(zhǔn)確率和特異度較高，但是靈敏度低于兩種題目混合的分類效果。綜合所示，當(dāng)將兩種類型題目組合到一起的時(shí)候，分類預(yù)測(cè)模型性能較好。

表2 不同組合特征分類結(jié)果的評(píng)估 (%)

3 討論

本研究基于“情景沉浸”理論和自然語言處理技術(shù)構(gòu)建的反芻誘發(fā)刺激材料，采用EEG技術(shù)和SVM機(jī)器學(xué)習(xí)算法，對(duì)被試在閱讀反芻材料、回答問題過程中的EEG進(jìn)行采集、預(yù)處理、特征提取和分析。本研究提取被試在回答反芻誘發(fā)材料過程中EEG信號(hào)5個(gè)頻段的全腦電極對(duì)之間的相干性特征，采用SVM進(jìn)行人群分類和識(shí)別。研究結(jié)果顯示，當(dāng)將回答反芻題目和中性題目的EEG特征混合作為分類特征時(shí)，分類模型的準(zhǔn)確率為86.67%，綜合模型的靈敏度和特效度較高。研究結(jié)果表明，自然語言誘發(fā)的EEG特征可作為高反芻人群識(shí)別的特征之一，有望提高心理測(cè)量的可靠性。

在EEG研究中，電極對(duì)之間信號(hào)的相干性是研究大腦不同區(qū)域神經(jīng)活動(dòng)相關(guān)性常用的方法[22-23]。本研究發(fā)現(xiàn)，對(duì)照組在做反芻題目和中性題目時(shí)，全腦的相干性沒有發(fā)生顯著差異，而反芻組在做反芻題目時(shí)，全腦的相干性顯著降低，同時(shí)，組間統(tǒng)計(jì)顯示，在做反芻題目時(shí)，反芻組的全腦相干性在beta和gamma1頻段顯著高于對(duì)照組，這說明，誘發(fā)材料的反芻題目有效誘發(fā)高反芻者的反芻思維，從而高反芻者的全腦的同步性顯著異于正常被試。本研究發(fā)現(xiàn)，在做中性題目時(shí)，高反芻者全腦的同步性在所有頻段均顯著高于正常被試，產(chǎn)生這個(gè)結(jié)果可能有以下兩個(gè)原因：一方面，這可能是由于高反芻者本身的反芻思維模式導(dǎo)致的大腦“過連接”[24]，反映了高反芻者大腦本身同步性的發(fā)生異常；另一方面，這可能是實(shí)驗(yàn)設(shè)計(jì)導(dǎo)致的，由于反芻題目誘發(fā)高反芻者的沉浸式反芻思維，在回答中性題目時(shí)并未完全從題目的情境中脫離出來，導(dǎo)致在回答中性題目過程中，大腦的同步性顯著大于對(duì)照組。在后期實(shí)驗(yàn)過程中，應(yīng)考慮將反芻題目和中性題目分開測(cè)試，以避免這種情況出現(xiàn)。

本研究分別將被試回答反芻題目和中性題目的EEG相干性作為特征向量，采用SVM作為分類算法，分三種情況進(jìn)行不同人群的分類識(shí)別分析，結(jié)果發(fā)現(xiàn)僅將被試在回答中性題時(shí)的EEG相干特征作為輸入特征時(shí)，準(zhǔn)確率為86.67%，AUC為0.89，但靈敏度較低，僅為77.00%，而將被試在回答反芻題時(shí)的EEG相干特征作為輸入特征時(shí)，準(zhǔn)確率為66.67%，AUC為0.88，但靈敏度較高，當(dāng)將被試在回答所有題目時(shí)的EEG相干特征作為輸入特征時(shí)，準(zhǔn)確率為86.67%，AUC為0.96，靈敏度也較高，為84.60%。以上說明，被試在進(jìn)行測(cè)驗(yàn)過程中，中性題目和反芻題目對(duì)于反芻人群都具有一定的區(qū)分度，但是反芻題目的靈敏度很高，而中性題目的靈敏度較低。正如上述討論所述，這可能是由于高反芻者持續(xù)沉浸在反芻思維，這也從側(cè)面說明，本研究所采用的反芻誘發(fā)材料可以誘發(fā)高反芻人群的沉浸式反芻思維。通過對(duì)模型的評(píng)估結(jié)果可以發(fā)現(xiàn)，當(dāng)將被試回答反芻題目和中性題目時(shí)的EEG特征混合作為特征向量時(shí)，SVM模型具有較好的預(yù)測(cè)準(zhǔn)確率和靈敏度。

但是，本研究仍然存在一些缺點(diǎn)。首先，在被試的選擇上，由于全部來自于警官學(xué)校，因此采集EEG的被試全部為男性，雖然有研究表明，抑郁癥的發(fā)病率在性別中不具有顯著差異[25]，但是研究結(jié)果仍然需要進(jìn)一步在女性群體中進(jìn)行驗(yàn)證。其次，本研究提取了不同通道之間的EEG的相干性作為特征，準(zhǔn)確率最高僅為86.67%，在后續(xù)研究中，需要探索其他的EEG特征，進(jìn)一步提升分類預(yù)測(cè)的準(zhǔn)確率。最后，后續(xù)研究應(yīng)考慮將反芻題目和中性題目分開測(cè)試或者單獨(dú)設(shè)立中性測(cè)試，從而避免反芻題目測(cè)試對(duì)中性題目產(chǎn)生影響。