沈胤宏，鄭秀娟，張 昀，苗丹民

(1四川大學(xué)電氣工程學(xué)院自動(dòng)化系，四川 成都 610065；2西安交通大學(xué)電子與信息學(xué)部信息與通信工程學(xué)院，陜西 西安 710049；3空軍軍醫(yī)大學(xué)軍事醫(yī)學(xué)心理學(xué)系，陜西 西安 710032)

心理測(cè)量是根據(jù)心理學(xué)理論，給受試者一定的操作程序，通過(guò)對(duì)受試者的表現(xiàn)情況進(jìn)行心理評(píng)估的過(guò)程[1]。心理測(cè)量可以通過(guò)量表答題的方式進(jìn)行，采用預(yù)先擬定好的問(wèn)題表，由受試者自行填寫(xiě)來(lái)收集資料，心理測(cè)量評(píng)估者根據(jù)填寫(xiě)結(jié)果對(duì)受試者進(jìn)行心理評(píng)估。這種方法比較節(jié)省人力、物力，但受試者有可能作答認(rèn)真或故意掩飾，從而影響結(jié)果的真實(shí)性，另外評(píng)估結(jié)果還可能受心理測(cè)量評(píng)估者專業(yè)素養(yǎng)的影響[1]。因此，在心理測(cè)量中需要一個(gè)客觀評(píng)估指標(biāo)進(jìn)行輔助判斷，以提高測(cè)量結(jié)果的準(zhǔn)確性。

眼球運(yùn)動(dòng)在一定程度上反映了人類的思維過(guò)程，所以受試者在心理測(cè)量中的想法可以在一定程度上從眼球運(yùn)動(dòng)的記錄中得到反映。從這些記錄中可以確定哪些視覺(jué)元素吸引了受試者的注意力，通過(guò)分析眼動(dòng)數(shù)據(jù)可以探索不同人群的意識(shí)與認(rèn)知過(guò)程。近年來(lái)，隨著眼動(dòng)設(shè)備成本的降低以及數(shù)據(jù)分析工具的改進(jìn)，眼動(dòng)技術(shù)開(kāi)始被廣泛應(yīng)用于意識(shí)和認(rèn)知探索領(lǐng)域，如閱讀[2]、場(chǎng)景感知[3]和視覺(jué)搜索[4]等。

目前，眼動(dòng)儀采集的原始眼動(dòng)數(shù)據(jù)表現(xiàn)為序列的形式，由具有時(shí)間先后順序的視線點(diǎn)(x，y)組成，因此許多學(xué)者使用序列比對(duì)的方式分析眼動(dòng)數(shù)據(jù)間的差異。其中最基礎(chǔ)的是距離度量的方法，即使用歐式距離、Mannan距離[5]、Hausdorff距離[6]等直接計(jì)算眼動(dòng)序列間的空間距離差異，距離度量的方式大都要求序列等長(zhǎng)，并且忽視了注視的時(shí)間信息。現(xiàn)有的研究大都使用字符比對(duì)算法來(lái)分析眼動(dòng)數(shù)據(jù)，如PRIVITERA等[7]提出使用編輯距離來(lái)分析眼動(dòng)數(shù)據(jù)，使用網(wǎng)格法眼動(dòng)序列量化為字符串的形式，根據(jù)一個(gè)字符串轉(zhuǎn)換為另一字符串需要的操作次數(shù)(插入、刪除、替換)來(lái)衡量眼動(dòng)序列的差異，CRISTINO等[8]在編輯距離的基礎(chǔ)上使用重復(fù)字符來(lái)表征注視停留時(shí)間，提出ScanMatch算法度量眼動(dòng)序列間的差異性。編輯距離和ScanMatch等序列比對(duì)方法使用動(dòng)態(tài)規(guī)劃的思想對(duì)齊序列，在短序列上表現(xiàn)優(yōu)異，當(dāng)樣本量過(guò)大或序列過(guò)長(zhǎng)時(shí)，時(shí)間復(fù)雜度較大。KüBLER等[9]跳出字符串兩兩比對(duì)的思想，提出了SubsMatch算法，該算法利用滑動(dòng)窗口對(duì)字符串提取子序列，通過(guò)比較子序列的頻率差異來(lái)分析眼動(dòng)模式的差異，適用于具有重復(fù)查看的場(chǎng)景。沈胤宏等[10]在SubsMatch算法的基礎(chǔ)上對(duì)歸一化方法進(jìn)行了改進(jìn)，可以進(jìn)一步細(xì)化不同長(zhǎng)度序列間的差異性。雖然比較子序列頻率差異這種方式的時(shí)間復(fù)雜度遠(yuǎn)低于字符比對(duì)的方法，但該算法嚴(yán)重依賴自由參數(shù)，如滑動(dòng)窗口的大小[11]，并且缺乏可解釋性。

根據(jù)上述方法的優(yōu)缺點(diǎn)，在量表答題場(chǎng)景下，本文提出了一種基于眼動(dòng)特征的輔助心理測(cè)量方法，本文使用量表中的條目作為眼動(dòng)實(shí)驗(yàn)刺激，采集受試者眼動(dòng)數(shù)據(jù)，對(duì)眼動(dòng)序列提取一系列的眼動(dòng)特征，并使用差分進(jìn)化算法(differential evolution，DE)結(jié)合支持向量機(jī)(support vector machine，SVM)構(gòu)建心理測(cè)量量表答題場(chǎng)景下針對(duì)不同人群的分類模型。

1 對(duì)象與方法

1.1 對(duì)象

健康組：56人，該群體在上述心理測(cè)驗(yàn)中的六個(gè)維度得分值<70分。按照量表評(píng)估心理測(cè)驗(yàn)標(biāo)準(zhǔn)，六個(gè)維度分值<70分的人視為健康者。不健康組：56人，該群體在上述心理測(cè)驗(yàn)中的六個(gè)維度得分值存在≥70分的情況，按照量表評(píng)估心理測(cè)驗(yàn)標(biāo)準(zhǔn)，視為不健康者。

所有被試年齡在18～25歲之間，均為高中學(xué)歷，視力和智力正常，能獨(dú)立閱讀并完成量表作答。本研究已通過(guò)空軍軍醫(yī)大學(xué)西京醫(yī)院臨床試驗(yàn)倫理委員會(huì)審核(許可證號(hào)：KY20182047-F-1)，所有被試均簽署了實(shí)驗(yàn)知情同意書(shū)。

1.2 方法

1.2.1 心理測(cè)量量表材料 本文將包含261道健康人格測(cè)驗(yàn)條目的量表作為實(shí)驗(yàn)刺激材料，總共包含抑郁、自殺傾向、精神病態(tài)、輕躁癥、偏執(zhí)、精神分裂等測(cè)量維度。

1.2.2 眼動(dòng)數(shù)據(jù)采集 量表各條目被制作成幻燈片，以圖片的形式放映，屏幕為21寸大小(長(zhǎng)：47.6 cm，寬：26.8 cm)，分辨率設(shè)置為1 980×1 020。數(shù)據(jù)采集前放映實(shí)驗(yàn)簡(jiǎn)介幻燈片，同時(shí)告知受試者實(shí)驗(yàn)相關(guān)內(nèi)容，以保證每位受試者都了解實(shí)驗(yàn)過(guò)程；接著進(jìn)行人眼校正，受試者需要注視屏幕四角及中央五個(gè)點(diǎn)，校正成功則進(jìn)入實(shí)驗(yàn)，否則重新校正，以保證實(shí)驗(yàn)過(guò)程中眼動(dòng)儀能正常采集數(shù)據(jù)。受試者按幻燈片放映順序依次作答量表題目，通過(guò)鼠標(biāo)單擊圖片上的“是”或“否”進(jìn)行問(wèn)題回答，回答時(shí)間沒(méi)有限制；每張題目幻燈片之間插入一張帶有中心十字的幻燈片，保證受試者當(dāng)前題目下的眼動(dòng)數(shù)據(jù)不受影響。采集過(guò)程中人眼距離屏幕70 cm，使用下巴托固定受試者頭部，使用SciEye系列TM300眼動(dòng)一體機(jī)采集受試者答題過(guò)程中的眼動(dòng)數(shù)據(jù)，并通過(guò)SciOne開(kāi)放API接口進(jìn)行原始數(shù)據(jù)處理(圖1)。

圖1 實(shí)驗(yàn)流程圖

1.2.3 眼動(dòng)參數(shù)提取 基于上述采集到的眼動(dòng)數(shù)據(jù)，本文提取了相關(guān)的眼動(dòng)參數(shù)，主要包括注視、眼跳等眼動(dòng)指標(biāo)。注視的持續(xù)時(shí)間和位置是描述眼神經(jīng)系統(tǒng)行為的兩個(gè)基本注視特征(F01：首次注視的位置；F02：首次注視的時(shí)長(zhǎng)；F03：首次注視時(shí)長(zhǎng)占比；F04：注視最長(zhǎng)時(shí)長(zhǎng)；F05：最長(zhǎng)注視時(shí)長(zhǎng)占比；F06：注視最長(zhǎng)時(shí)長(zhǎng)點(diǎn)的位置；F07：注視總時(shí)長(zhǎng)；F08：注視點(diǎn)個(gè)數(shù)；F09：感興趣區(qū)域個(gè)數(shù))[12]，人在觀察時(shí)的信息主要是在注視期間獲得。在觀察過(guò)程中，這些特征可用于檢查由各個(gè)方面共同調(diào)節(jié)的認(rèn)知功能，如注視時(shí)間被認(rèn)為是內(nèi)容識(shí)別中語(yǔ)義激活階段的良好指標(biāo)，反映了觀察者對(duì)當(dāng)前內(nèi)容的加工程度；注視位置則反映了被試感興趣區(qū)域的位置分布。注視點(diǎn)個(gè)數(shù)描述了人眼的所有感興趣區(qū)域的停留總數(shù)。

實(shí)驗(yàn)材料

對(duì)整體注視位置建模的一種簡(jiǎn)單方法是計(jì)算注視位置整體樣本的質(zhì)心、方差以及注視范圍(F10：坐標(biāo)均值；F11：注視范圍；F12：坐標(biāo)方差)[13]，而這個(gè)簡(jiǎn)單的特征不能模擬注視漂移的特征，即眼睛在固定位置周?chē)木徛苿?dòng)。在眼動(dòng)追蹤檢查期間，注視漂移可以各種形式表現(xiàn)出來(lái)，因此本文提取了一些用于模擬注視漂移的特征(F13：眼球震顫總長(zhǎng)度；F14：眼球震顫平均幅度；F15：眼球震顫平均速度)。

眼跳是非?？焖俚倪\(yùn)動(dòng)(S01：眼跳總長(zhǎng)度；S02：眼跳幅度；S03：眼跳速度；S04：最大眼跳距離；S05：回視次數(shù))，將眼睛從一個(gè)焦點(diǎn)位置旋轉(zhuǎn)到另一個(gè)焦點(diǎn)位置。在觀察時(shí)眼跳通常是從一個(gè)已知位置朝向一個(gè)新的未知區(qū)域，但有時(shí)會(huì)出現(xiàn)相反的眼跳，即回視[14]?；匾暿怯^察過(guò)程中另一個(gè)重要的眼動(dòng)組成部分，大多數(shù)回視是針對(duì)緊鄰的前一個(gè)注視區(qū)域，然而當(dāng)觀察者對(duì)信息理解不充分或信息太難時(shí)，回視會(huì)指向較早注視的區(qū)域，回視次數(shù)的多少反映了感興趣程度或信息理解難易程度。本文通過(guò)對(duì)眼動(dòng)數(shù)據(jù)處理得到相應(yīng)的注視、眼跳等眼動(dòng)參數(shù)，然后使用這些參數(shù)構(gòu)建SVM分類模型對(duì)不同人群進(jìn)行分類，從而得到輔助心理測(cè)量的客觀指標(biāo)。

1.2.4 DE-SVM心理測(cè)量模型構(gòu)建 SVM是一種二分類模型[15]，其基本思想是使不同類別的數(shù)據(jù)在特征空間幾何間隔最大化。幾何間隔最大化的求解可化為凸二次規(guī)劃求解，因此SVM模型求解算法是求解凸二次優(yōu)化問(wèn)題的最優(yōu)化算法。SVM不僅可以求解線性分類問(wèn)題，利用核函數(shù)還可以求解非線性分類問(wèn)題。本文選取普適性最好的高斯徑向基核函數(shù)作為SVM的核函數(shù)，高斯徑向基核函數(shù)的表達(dá)式如下：

(1)

其中(xi，xj)表示原數(shù)據(jù)空間的特征向量，σ表示高斯帶寬，σ>0。

SVM算法由訓(xùn)練數(shù)據(jù)學(xué)習(xí)到的分類模型，其分類精度受核函數(shù)參數(shù)和懲罰因子的影響很大。不同的參數(shù)取值，分類精度大不相同。針對(duì)這個(gè)問(wèn)題，本文采用DE對(duì)SVM進(jìn)行參數(shù)尋優(yōu)。DE是由STORN等學(xué)者在遺傳算法等進(jìn)化思想的基礎(chǔ)上提出的、用于求解多維參數(shù)的整體最優(yōu)解[16]。DE算法的基本思想是：隨機(jī)選取三個(gè)父代，對(duì)其中兩個(gè)父代進(jìn)行加權(quán)差并與另一個(gè)父代進(jìn)行加和，以此產(chǎn)生新的個(gè)體。將新個(gè)體與父代的適應(yīng)度進(jìn)行比較，適應(yīng)度高的個(gè)體進(jìn)入下一代。通過(guò)整個(gè)變異、重組和選擇過(guò)程不斷進(jìn)化，引導(dǎo)搜索逼近最優(yōu)解(圖2)。

DE：差分進(jìn)化算法；SVM：支持向量機(jī)。

1.2.5 對(duì)比方法與評(píng)價(jià)指標(biāo) 本實(shí)驗(yàn)選取ScanMatch、SubsMatch以及SVM分類器為對(duì)比算法。采用準(zhǔn)確率、查全率、查準(zhǔn)率和F1分?jǐn)?shù)(F1 score，F(xiàn)1)作為評(píng)價(jià)指標(biāo)。四種指標(biāo)計(jì)算公式如式(2)、式(3)、式(4)和式(5)所示：

(2)

(3)

(4)

(5)

式中，N為類別數(shù)，TPi、TNi、FPi、FNi分別表示第i類人群的實(shí)際為真預(yù)測(cè)為真、實(shí)際為假預(yù)測(cè)為假、實(shí)際為假預(yù)測(cè)為真、實(shí)際為真預(yù)測(cè)為假的樣本數(shù)量。accuracy：準(zhǔn)確率；recall：查全率；precision：查準(zhǔn)率。

2 結(jié)果

本文方法與現(xiàn)有的ScanMatch、SubsMatch以及SVM分類器進(jìn)行比較。對(duì)四種算法在261道條目上分類準(zhǔn)確率繪制箱線圖(圖3)。四種算法的分類準(zhǔn)確率最小四分位都超過(guò)了機(jī)會(huì)水準(zhǔn)50%，其中本文提出的DE-SVM方法分類效果整體最好，分類準(zhǔn)確率中位數(shù)值最高，SVM和ScanMatch算法的分類準(zhǔn)確率差距不大，SubsMatch的分類準(zhǔn)確率在整體的表現(xiàn)最差。另外，注意到四種算法在不同條目上的分類準(zhǔn)確率差異較大，SubsMatch算法的分類準(zhǔn)確率最小值已經(jīng)低于50%，而最大值大于70%，本文方法的分類準(zhǔn)確率最大值與最小值之間的差值超過(guò)了30%，這是由于單個(gè)條目結(jié)果的不穩(wěn)定性造成的，條目與條目之間的分類準(zhǔn)確性存在差異，因此仍需要對(duì)整個(gè)量表的表現(xiàn)進(jìn)行評(píng)估。

DE：差分進(jìn)化算法；SVM：支持向量機(jī)。

利用四個(gè)指標(biāo)對(duì)四種方法評(píng)估(表2)，所有的指標(biāo)均在261道條目上取平均值。表中結(jié)果顯示，本文方法的四個(gè)評(píng)價(jià)指標(biāo)分別為78.92%、79.88%、85.77%、81.96%，相比其他算法表現(xiàn)優(yōu)異。SVM算法在分類準(zhǔn)確率和查準(zhǔn)率上稍微優(yōu)于ScanMatch算法；ScanMatch算法在查全率和F1測(cè)度上優(yōu)于SVM，這說(shuō)明在分類健康人群時(shí)ScanMatch的表現(xiàn)較優(yōu)異。

表2 四種算法的分類性能 (%)

從四種算法在兩類人群的分類混淆矩陣結(jié)果可以看出四種算法對(duì)于健康人群的識(shí)別準(zhǔn)確率均優(yōu)于不健康人群(圖4)。其中，SubsMatch和ScanMatch在識(shí)別不健康人群的能力較差，誤識(shí)率高達(dá)59.28%和49.62%。ScanMatch方法在識(shí)別健康人群上效果最好，達(dá)到了86.99%，本文方法的健康人群識(shí)別準(zhǔn)確率為85.77%，稍劣于ScanMatch，在不健康人群的識(shí)別準(zhǔn)確率為69.46%，優(yōu)于其他三種算法。

DE：差分進(jìn)化算法；SVM：支持向量機(jī)。

以上是對(duì)本文算法在整個(gè)量表的261個(gè)條目上的平均結(jié)果，兩類人群在不同條目上的分類結(jié)果差異很大，由圖3的箱線圖可以看出，部分條目的分類準(zhǔn)確率極高，也有部分條目的分類準(zhǔn)確率極低，四種算法的平均分類準(zhǔn)確率最大值與最小值之差都在30%左右。測(cè)試集在每一個(gè)分類條目上都有一個(gè)預(yù)測(cè)標(biāo)簽，為了最大限度地發(fā)揮整套量表的作用，對(duì)分類結(jié)果進(jìn)行降維，即利用受試者在261個(gè)條目中預(yù)測(cè)占比最大的標(biāo)簽為最終的預(yù)測(cè)標(biāo)簽。本文依然利用準(zhǔn)確率、查準(zhǔn)率、查全率和F1測(cè)度來(lái)評(píng)估降維后的分類結(jié)果(表3)。

表3 降維后四種算法的分類性能 (%)

從表3結(jié)果分析，降維后四種算法在大部分指標(biāo)上都得到了顯著提升，其中本文算法在四個(gè)指標(biāo)上的表現(xiàn)都較為優(yōu)異，降維后SVM算法的表現(xiàn)優(yōu)于ScanMatch算法，而SubsMatch算法表現(xiàn)依然最差。值得注意的是，降維后四種算法的查全率都得到了顯著提升，這說(shuō)明降維后健康人群大都分類正確。同時(shí)本文繪制降維后的分類混淆矩陣，定量分析四種算法在兩種人群上的分類結(jié)果。

從降維處理后四種分類算法的分類混淆矩陣可以看出四種算法在健康人群的識(shí)別上的表現(xiàn)都非常優(yōu)異，SubsMatch算法、ScanMatch算法和SVM的分類準(zhǔn)確率達(dá)到100%，本文提出的DE-SVM算法達(dá)到了96.43%，在不健康人群的分類上DE-SVM表現(xiàn)最好，SVM算法次優(yōu)，SubsMatch表現(xiàn)最差，不健康人群大都被誤識(shí)別為健康人群(圖5)。

DE：差分進(jìn)化算法；SVM：支持向量機(jī)。

采用量表進(jìn)行心理測(cè)量時(shí)，過(guò)多的測(cè)試條目會(huì)使得受試者感到疲乏，在測(cè)試時(shí)間過(guò)長(zhǎng)時(shí)，受試者會(huì)出現(xiàn)不耐煩、急躁、眼神飄忽不定等情況，從而影響測(cè)試結(jié)果。因此，在心理測(cè)量時(shí)希望使用較少的量表?xiàng)l目，同時(shí)保證較好的分類結(jié)果。本文將各個(gè)條目的分類準(zhǔn)確率進(jìn)行排序，并依次選取了不同數(shù)量(分別是分類準(zhǔn)確率最高的前20、50、100、150和200條目，以及全部261個(gè)條目)表現(xiàn)較好的條目做降維處理，當(dāng)條目數(shù)量達(dá)到50時(shí)，分類效果已經(jīng)在6個(gè)取值中達(dá)到最好，因此在心理測(cè)驗(yàn)時(shí)只需要部分條目就能達(dá)到比較理想的測(cè)驗(yàn)結(jié)果，另一方面減輕了受試者的測(cè)試疲勞程度以及時(shí)間成本(圖6)。

圖6 不同數(shù)量條目降維后的分類性能

為了分析導(dǎo)致不同條目上分類準(zhǔn)確率差異如此大的原因，本文對(duì)分類準(zhǔn)確率排名靠前的條目和分類準(zhǔn)確率排名靠后的條目進(jìn)行了查看，發(fā)現(xiàn)分類效果表現(xiàn)較好的條目，其內(nèi)容更容易引起受試者思考，引發(fā)情緒，條目?jī)?nèi)容相對(duì)消極，而分類表現(xiàn)較差的條目?jī)?nèi)容則相對(duì)積極。分類準(zhǔn)確率最高的5個(gè)條目?jī)?nèi)容充滿了消極感，具有自我否定的意味；而分類準(zhǔn)確率最低的5個(gè)條目，條目1、2、7、37的內(nèi)容比較積極，條目11也存在消極意味；總的來(lái)說(shuō)具有消極意味的條目分類效果優(yōu)于積極的條目，但是也存在消極條目分類效果不好的情況，這說(shuō)明同類型的條目也存在較大的組內(nèi)差異，導(dǎo)致消極類型不同條目分類效果差異明顯的原因還需要進(jìn)一步分析(表4～5)。

表4 分類準(zhǔn)確率最高的條目?jī)?nèi)容

表5 分類準(zhǔn)確率最低的條目?jī)?nèi)容

根據(jù)本文得到的實(shí)驗(yàn)結(jié)果，可以認(rèn)為在一些容易喚醒受試者情緒的條目上更容易區(qū)分心理健康人群和心理不健康人群，使用這些條目進(jìn)行心理測(cè)驗(yàn)即可達(dá)到較為理想的結(jié)果。

3 討論

SubsMatch考察受試者在觀察過(guò)程中重復(fù)注視模式的差異，在本實(shí)驗(yàn)中，不同人群在心理量表各條目問(wèn)答時(shí)，關(guān)注的都是題目區(qū)域和選項(xiàng)區(qū)域，閱讀順序也基本都是從題目到選項(xiàng)，重復(fù)注視模式均在題目關(guān)鍵詞與選項(xiàng)之間產(chǎn)生，即使是不同人群，在閱讀題目材料時(shí)重復(fù)注視模式的差異也不明顯。ScanMatch在本實(shí)驗(yàn)中的表現(xiàn)優(yōu)于SubsMatch，ScanMatch算法通過(guò)網(wǎng)格的形式進(jìn)行眼動(dòng)數(shù)據(jù)字符化，然后通過(guò)對(duì)齊字符串來(lái)衡量序列之間的差異，在觀看相同材料時(shí)，序列之間的差異性來(lái)自于不同人對(duì)于內(nèi)容的注視停留時(shí)長(zhǎng)，注視停留時(shí)長(zhǎng)由字符重復(fù)次數(shù)來(lái)表征。另外，不同字符代表不同的空間位置，字符對(duì)齊其實(shí)就是注視轉(zhuǎn)移順序?qū)R，這也是ScanMatch算法表現(xiàn)較好的原因。

不同人群在閱讀相同的文本內(nèi)容時(shí)，受閱讀習(xí)慣的影響，視覺(jué)注意在空間上的變化都是從左往右，從上往下。不同人群之間存在的模式差異性來(lái)自于認(rèn)知差異。認(rèn)知差異跟受試者的受教育水平以及情緒水平有關(guān)。本實(shí)驗(yàn)的受試者閱讀無(wú)障礙，在情緒水平存在高低差異，心理不健康的受試者可能在一些消極詞匯(如憂愁、悶悶不樂(lè)等)上停留時(shí)間更長(zhǎng)。本文考慮這些眼動(dòng)數(shù)據(jù)內(nèi)部存在的認(rèn)知差異，提取了注視停留時(shí)長(zhǎng)、注視總時(shí)長(zhǎng)、眼跳頻率等特征，這些眼動(dòng)特征反映了受試者在閱讀心理量表時(shí)所涉及到的認(rèn)知負(fù)荷。認(rèn)知負(fù)荷越高，則說(shuō)明受試者需要更多地投入注意力、記憶力等心理資源來(lái)完成任務(wù)。本文利用SVM模型對(duì)特征進(jìn)行分類，結(jié)果稍優(yōu)于ScanMatch，說(shuō)明了這些眼動(dòng)特征能有效刻畫(huà)健康人群和不健康人群深層次的認(rèn)知差異，能有效對(duì)兩類人群進(jìn)行識(shí)別。由于SVM分類器的分類效果受參數(shù)影響很大，為了最大限度地發(fā)揮提取的眼動(dòng)特征的作用，本文利用DE算法對(duì)SVM進(jìn)行參數(shù)尋優(yōu)，在DE-SVM模型下的分類結(jié)果遠(yuǎn)遠(yuǎn)優(yōu)于在SVM模型下的結(jié)果，說(shuō)明合適的參數(shù)能充分發(fā)揮眼動(dòng)特征以及分類器的性能，提高識(shí)別準(zhǔn)確率，DE-SVM模型下的分類結(jié)果也遠(yuǎn)優(yōu)于SubsMatch和ScanMatch，這表明受試者在觀看題目材料時(shí)，在本文提取的眼動(dòng)特征維度上差異顯著，從眼動(dòng)特征出發(fā)能有效進(jìn)行心理測(cè)量。

在量表答題場(chǎng)景下，本文提出了一種基于眼動(dòng)特征的輔助心理測(cè)量的方法，主要針對(duì)心理健康方面進(jìn)行了評(píng)估。該方法雖然在識(shí)別準(zhǔn)確率上有較好的表現(xiàn)，但仍有以下不足：一是心理測(cè)量的內(nèi)容較為單一，沒(méi)有涉及能力、動(dòng)機(jī)等其他心理測(cè)量方面，未來(lái)需設(shè)計(jì)眼動(dòng)實(shí)驗(yàn)，采集不同的眼動(dòng)數(shù)據(jù)驗(yàn)證本文方法在其他心理測(cè)量方面的性能；二是眼動(dòng)特征的選取較為常規(guī)，雖然通用性較好，但對(duì)于不同的實(shí)驗(yàn)場(chǎng)景仍需設(shè)計(jì)不同的特征結(jié)合本文的特征以提升識(shí)別性能。