《Journal of Eye Movement Research》：Eye Movement Patterns as Robust Biomarkers for Schizophrenia Identification Using a Novel Data Transformation Approach
编辑推荐：
尽管精神分裂症（SZ）中的眼动异常已有文献记载，但其转化为客观诊断生物标志物的应用仍然有限。在本研究中，研究人员提出了一种新型识别框架，该框架将稀疏评分核熵成分分析（SSKECA）算法与多维眼动特征集相结合。共40名SZ患者和50名健康对照（HC）完成了一项涉
尽管精神分裂症（SZ）中的眼动异常已有文献记载，但其转化为客观诊断生物标志物的应用仍然有限。在本研究中，研究人员提出了一种新型识别框架，该框架将稀疏评分核熵成分分析（SSKECA）算法与多维眼动特征集相结合。共40名SZ患者和50名健康对照（HC）完成了一项涉及100张不同语义图像的自由观看任务。所提出的SSKECA算法优化了多维特征表示，以捕获SZ特有的潜在眼动模式。SSKECA–AdaBoost模型取得了具有竞争力的性能，准确率为0.933，受试者工作特征曲线下面积（AUC）为0.960。值得注意的是，当仅限制使用25张高判别力图像时，SSKECA–XGBoost模型达到了0.922的准确率。特征消融分析不仅再现了先前报道的眼动发现，还强调了其他非典型模式。误分类分析揭示了被错误分类的SZ患者表现出更明显的眼动缺陷。总体而言，所提出的框架将复杂的眼动模式转化为用于个体水平识别的稳健指标，为支持SZ的客观评估提供了一种实用且高效的工具。
研究背景与问题
精神分裂症（Schizophrenia, SZ）是一种异质性精神疾病，其诊断主要依赖主观评估工具，如MINI国际神经精神病学访谈和阳性与阴性症状量表（PANSS），缺乏客观标准。眼动追踪技术能够非侵入性量化视觉加工和眼动控制，既往研究已记录SZ患者存在多种眼动异常，但传统统计方法难以解析复杂结构模式。尽管机器学习（ML）方法已初步应用于SZ识别，但现有特征变换方法（如主成分分析（PCA）、核PCA（KPCA）、核熵成分分析（KECA））存在次优问题，且特征表示单一，未能充分发挥眼动数据的诊断潜力。因此，研究人员提出了结合稀疏评分核熵成分分析（SSKECA）与多维眼动特征的新框架。
研究人员开展的研究
研究人员扩展了Huang等人的公共数据集，纳入40名SZ患者和50名健康对照（HC），完成100张语义图像的自由观看任务。从眼动数据中提取24维混合特征（注视、眼跳、瞳孔和生物特征），并应用SSKECA进行特征变换和降维，再结合多种分类器进行SZ识别。结果表明，SSKECA–AdaBoost模型取得0.933的准确率，AUC达0.960，优于传统方法；在仅使用25张高判别力图像时，SSKECA–XGBoost模型准确率为0.922。该研究为SZ的客观评估提供了实用且高效的工具，论文发表在《Journal of Eye Movement Research》。
技术方法概述
本研究使用扩展的Huang等人公共数据集，包括40例SZ和50例HC。采用EyeLink 2000眼动仪（500 Hz采样率）记录自由观看100张语义图像时的眼动数据，提取24维特征：注视特征（如偏度、界外注视数）、眼跳特征（如次数、平均幅度、平均速度）、瞳孔大小特征（如动态范围、比率）和生物特征（有效观看时长）。关键方法是SSKECA：通过奇异值分解（SVD）自适应估计径向基函数（RBF）核带宽，构建并中心化核矩阵，进行特征分解，依据熵贡献和稀疏评分选择信息量最大的特征成分，投影得到低维表示。随后使用AdaBoost、XGBoost等八种分类器及样本级多数投票进行个体分类。
研究结果
### 3.1 模型性能
通过比较不同降维算法与最优分类器组合，SSKECA与AdaBoost结合获得最高准确率0.933，并将特征维度从24降至21，优于PCA（0.911）、KECA（0.922）和KPCA（0.911）。SSKECA特征在不同分类器上均表现稳定，与MLP结合时AUC最高（0.970），与SVM和XGBoost结合准确率均为0.911，与KNN结合也有0.878。与GPI–LSTM、GPI–GRU和ABG–LSTM等方法相比，SSKECA–AdaBoost在准确率、精确率、召回率、F
1分数和AUC上均领先。
### 3.2 生物标志物研究结果
通过样本水平和个体水平双水平特征消融，发现特征重要性呈层级结构。前四位特征（眼跳次数、最大瞳孔大小时的Y位置、平均眼跳持续时间、瞳孔大小动态范围）总重要性显著高于其他特征，其中眼跳次数（Sac Count）是最重要的指标。多数特征的个体水平重要性占比更大，表明个体间差异对模型决策影响更显著；少数特征（如注视持续时间）则表现出更强的样本水平贡献。
### 3.3 语义分析结果
对20个语义图像类别的分类准确率分析显示，结构化视觉类型（如室内场景）准确率最高（0.86），而抽象或低结构化类别（如线条画、素描、黑白图像）准确率最低（0.78–0.79）。分类性能主要取决于类别特定视觉特征而非样本量。基于0.85准确率阈值筛选出25张高判别力图像，SSKECA–XGBoost模型在该子集上准确率为0.922。
### 3.4 误分类分析结果
在个体水平五折交叉验证中，误分类主要集中在SZ队列，HC组极少。被误分类的SZ患者在眼跳和生物特征上表现出显著更严重的眼动异常，提示模型误分类与疾病相关的注意和视觉加工机制改变有关。
讨论总结与结论
讨论部分指出，SZ患者的眼动指标异常反映神经认知处理缺陷，而非单纯外周功能障碍。眼跳次数可能作为前额叶–基底节环路功能障碍的行为代理指标；平均眼跳速度和幅度降低与背外侧前额叶皮层（DLPFC）和顶叶注意网络功能改变相符，支持前额叶功能低下假说。瞳孔动力学扩展指标（如瞳孔大小比率降低）提示皮质–边缘环路和蓝斑–去甲肾上腺素（LC-NE）系统失调。语义分析显示，患者在复杂语义和社会相关图像上眼动异常最显著，支持预测编码理论。SSKECA方法通过稀疏表示和熵贡献理论，能够从高维数据中提取稳定且神经生物学可解释的生物标志物，并改善传统统计方法局限。结合AdaBoost后，SSKECA–AdaBoost模型比原始特征模型准确率提高约4%。仅用25张图像时，XGBoost准确率达0.922，测试时长约3分钟，有利于临床转化。局限性包括样本未按疾病阶段分层、未控制药物影响、无外部验证、仅使用静态图像和单一眼动模态；未来需开展大样本纵向研究，引入动态视频和多模态框架。
研究结论可翻译为：在本研究中，研究人员开发了一种SSKECA配对分类器框架用于SZ识别，这是一种融合稀疏表示、核方法和熵理论的新型混合架构。与AdaBoost结合时，该方法达到0.933的分类准确率，优于PCA、KPCA和KECA等传统降维技术。该框架的一个显著特点是构建了整合注视、眼跳、瞳孔和生物参数的综合特征矩阵。此外，语义分析表明，判别性眼动模式在特定刺激类别中更为显著，从而允许在显著减少刺激数量的情况下保持分类性能。这种“少图像”范式缩短了数据采集时间，降低了临床操作负担，提高了实际可行性。总之，这些发现表明SS
