基于生物信号的虚拟人类情感对话中抑郁症状的筛查

《npj Digital Medicine》：Biosignal-based screening of depressive symptoms during affective conversations with virtual humans

　　

摘要

本研究探讨了在具有社会背景且符合生态学原理的日常社交互动中，与抑郁症状相关的心理生理生物标志物。研究招募了102名成年人，使用基于人工智能的虚拟人类进行实验；经过信号质量筛选后，有98人（51%为女性，年龄在18至59岁之间）被纳入分析范围（其中40人存在抑郁症状：PHQ-9评分≥10；58人为健康对照组：PHQ-9评分≤9）。这些参与者参与了六次半结构化的、能够引发情绪反应的对话。研究人员记录了他们的脑电图、心率变异性、皮肤电反应以及眼动数据。研究通过嵌套交叉验证方法评估了单一模态和多模态的预测模型。在六种不同情境下分别训练的多模态模型，其准确率为72%（AUC=0.76，特异性为83%），而单独使用脑电图的准确率也相近（AUC=0.75）。其他检测方式的准确率则较低（AUC在0.60到0.68之间）。SHAP分析显示，预测结果存在与情绪相关且因检测模态而异的规律。对话中的情绪背景提升了模型的区分能力，尤其是对于脑电图和多模态综合模型而言，这表明虚拟人类可能有助于揭示出超出单纯被动记录之外的与抑郁相关的社会情感特征。