研究室筆記

報Paper 2

12 min read

A heart rate variability-driven framework for depression screening leveraging emotion-elicited autonomic dissociation

基於心率變異性驅動之情緒誘發自主神經分離的憂鬱症篩檢框架

摘要

  • 本研究關注：在「情緒誘發」條件下，憂鬱傾向個體的自律神經（以 HRV: heart rate variability 表徵）是否會出現可用於篩檢的可分辨差異，以及「哪一種情緒」最能拉開差距。
  • 受試者在同一套情緒誘發流程下觀看影片並填寫主觀量表（SAM），同步收集 ECG，再萃取 9 個可計算 HRV 特徵作分析與建模。
  • 主要發現：
    • 各情緒刺激皆能成功誘發目標情緒 👉 主觀量表上對應情緒分數上升、其他情緒維度相對較低；喚醒度也足夠 👉 證明刺激有效
    • 組間差異的關鍵落在：悲傷 (sadness) 誘發時，疑似憂鬱個體呈現更強的反應性 👉 悲傷增加顯著
    • 而快樂 (happiness) 反應減弱的預期趨勢，作者認為並未被清楚示範 👉 快樂減弱不顯著
    • 以情緒條件建構的 ERTC（Extremely Randomized Trees Classifier）模型中，悲傷誘發表現最佳（Acc=76.8%，AUC ≈ 0.78)；其餘情緒（憤怒、快樂、恐懼）約落在 68–73%ACC；平靜（近似 resting）基準最低。

研究背景與動機：為什麼要「用情緒誘發」做篩檢？

  • 傳統以靜息（resting）或一般狀態 HRV 直接做分類，常遇到兩個問題：
    1. 個體差異（inter-individual variability）過大，導致訊號差異被「人與人本來就不同」淹沒
    2. 刺激材料冗餘：不是每一個 標準化情緒誘發流程刺激，都能有效區分 HCs 與 IWDs（individuals with suspected depression）
  • 因此作者提出一個核心策略：
    • 以「平靜」作為個體內基線，將其他情緒狀態的 HRV 反應用 baseline-referenced 的方式標準化（z-score） 👉 提升「情緒反應本身」的可辨識性
    • 然後比較：不同情緒條件下，哪一個最能放大憂鬱相關的自律神經差異，並用於建模篩檢

研究方法：受試者、實驗流程、訊號處理、統計與機器學習

500

受試者與分組標準

  • 受試者：大學生或研究生（年齡約 22 歲上下）157位參與者：

    • HCs：PHQ-9 總分 ≤ 4（視為非憂鬱/健康） ：66人

      • 27 名男性，39 名女性
      • 21.80 ± 2.61 歲

    • IWDs：PHQ-9 總分 ≥ 10（高度疑似憂鬱）：30人

      • 12 名男性，18 名女性
      • 22.96 ± 2.43 歲

  • PHQ在5~9分 👉 作者沒寫，應該沒納進去做計算（可調數據）

  • 樣本篩選背景：

    • 研究團隊最初進行了檢定力分析（Power Analysis），估算最低僅需 32 名參與者（每組 16 人）即可達到統計要求 👉 這是啥，好像是統計
    • 但最終實際招募並分析的樣本量遠超此標準，直到獲得 30 例有效的憂鬱症個案後才停止招募。
    • 在正式實驗前，研究團隊還另外招募了約 70 名 參與者進行前導測試，用於評估和篩選能有效誘發情緒的影片材料（這部分樣本與正式實驗的 157 人是分開的）👉 用來確認刺激有效

情緒刺激材料（影片）

  • Table 1（作者列出的刺激素材範例；影片情緒類別與時長）：

    • Calmness（平靜）：192s，「一家人的日常生活」

    • Anger（憤怒）：

      • 《甘地》，123s，「印度律師被從頭等車廂趕下火車」
      • 《我的保鏢》，101s，「一群惡霸挑釁一名少年」

    • Happiness（快樂）：

      • 《天外奇蹟》，67s，「卡爾……遇見充滿活力的艾莉」
      • 《楚門的世界》，60s，「到海邊度過浪漫夜晚」
      • 《瓦力》，93s，「瓦力與伊芙共度浪漫的一夜」

    • Fear（恐懼）：

      • 《鬼店》，78s，「一個孩子進入飯店房間尋找媽媽」
      • 《黑天鵝》，62s，「一名女子注意到身邊出現超自然現象」

    • Sadness（悲傷）：

      • 《我的女孩》，66s，「一名年輕女孩在朋友的葬禮上哭泣」
      • 《小鹿斑比》，166s，「斑比的母親被獵人射殺」

實驗流程（情緒誘發 + 主觀量表）

  • 受試者在暗室（僅留螢幕光源）完成 7 段影片試次（每段流程：觀看影片 → 自評 → 休息）

  • 影片情緒效價固定順序（valence sequence）：

    • calm → positive → negative → positive → negative → positive → negative 👉 正負輪替
    • positive = happiness
    • negative 影片用來誘發 sadness / fear / anger（具體片段對每位受試者隨機抽換，但效價順序固定）

  • 每次影片後填寫 Self-Assessment Manikin (SAM)：

    • 6 個 9-point scales：
      • 4 個離散情緒強度：happiness / sadness / fear / anger
      • 1 個 arousal（喚醒）
      • 1 個 valence（愉悅度/效價）

ECG 蒐集與前處理

  • 電極位置（3 電極）：

    • 左鎖骨中點下方
    • 右鎖骨中點下方
    • 左下腹最低肋骨下方

  • ECG 取樣率：500 Hz（醫療級設備 ePM-12M, Mindray）

  • 濾波：

    • band-pass filter：0.5–100 Hz（去除 baseline wander 等）
    • notch filter：50 Hz（去除電源干擾）

  • R-peak 偵測：使用 Neurokit2 實作之演算法 👉 跟ISI原始HRV處理一致

  • 註：EEG濾波目前沒找到更新、用DL做過濾的文獻

  • 切段（segmentation）：

    • 依刺激呈現的 timestamps 將連續訊號切成每段影片對應區間
    • 每段刺激區間尾端取出不重疊的 1 分鐘 epoch（non-overlapping 1-min epochs）供後續 HRV 計算 👉 （ISI用30秒，因為時間原本就短）
    • 作者也提醒：因 epoch 長度限制，部分 HRV 指標不適用或不計算 👉 特別是需要看長時間變化的HRV

HRV 特徵

  • 本研究使用 9 個「可在 1 分鐘計算」的常見 HRV 特徵 + 呼吸速率（透過 HRV-HF 間接估計）：
  1. MeanNN：NN intervals 平均
  2. SDNN：NN intervals 標準差
  3. RMSSD：相鄰 NN 差的均方根
  4. CVNN：SDNN / MeanNN
  5. CVSD：RMSSD / MeanNN
  6. LFn：normalized low frequency（LF power / total power）
  7. HF power / total power（文中描述疑似有字面錯誤；概念上應為 ）
  8. LF/HF：LF power / HF power
  9. Resp_Rate：由 HRV-HF 間接估計之呼吸速率

以「平靜」為個體內基線的標準化（baseline-referenced z-score）

  • 目的：降低個體間差異、凸顯同一個人「被情緒誘發後」的變化
  • 作法：對每位受試者，以 calm 的均值與標準差作參照，把其他情緒 epoch 的特徵轉成 z-score：
  • 直覺：看「偏離自己平靜狀態多少個標準差」，而不是直接拿生理絕對值互比 標準差HRV結合EEG數據

統計分析：先看特徵差異再建模 👉 這部分都是統計，ISI研究直接跑Lasso

  • 先做 HRV 特徵分佈檢視與統計比較：
    • 使用 Mann–Whitney U test（SciPy）
    • p-values 做 FDR correction（多重比較控制）
  • 目的：確認哪些情緒條件下，HRV 反應在組間/組內呈現系統性差異（以及差異方向）

機器學習建模：為每個情緒條件建立「情緒特定」模型

  • 先在小型隨機子集評估多個 ML 演算法：
    • SVM、KNN、Decision Tree、Random Forest、Extremely Randomized Trees Classifier (ERTC)
    • 結果 ERTC 最佳 → 選定為主要模型 （類似RF，但是比RF更隨機）
  • 實作工具：Scikit-learn
  • 資料切分：train/test = 7:3
  • 訓練策略：
    • 5-fold cross-validation（降低 overfitting） 👉 大量樣本會在同一個set裡面
    • Bayesian optimization 調參（ERTC hyperparameters）👉 貝葉斯優化，超參數調整（如果決定特定模型Ex.MLP 可以用）
  • 另外建立對照：
    • calm-state（不做情緒誘發，或等同 resting 的基準模型）
      • 拿靜息態HRV去做訓練，證明「故意讓受試者看悲傷影片」所測得的生理訊號，比傳統的「靜靜坐著測量（Resting state）」更能準確抓出憂鬱症。
    • logistic regression 作為 ERTC 的 control model 👉 比較LR跟ERTC哪個好
  • 評估指標：
    • accuracy、AUC、precision 等
    • ROC curve

結果：情緒誘發有效性、差異模式、模型表現

主觀量表（SAM）：情緒誘發有效

  • 作者指出：在所有情緒誘發條件下，目標情緒維度分數顯著高於其他維度，且 arousal 充足 👉 確認刺激＆主觀感受一致
  • 組間主觀量表差異（摘要式敘述）：
    • 不同刺激下，在某些情緒/效價評分上可見 HCs 與 IWDs 的差異（例如特定刺激下的 valence、或對應情緒的強度差）

HRV：多數特徵方向趨勢一致，但關鍵差異落在 sadness / happiness

  • Table 5 彙整了各 HRV 特徵在不同情緒條件下的變化與顯著性（含組內變化、組間差異）
  • 作者的綜合結論是：
    • 多數 HRV 特徵在 HCs 與 IWDs 之間，呈現「大致一致」的方向性反應
    • 但關鍵差異在於：
      • 悲傷誘發在 IWDs 中出現更強的反應性（heightened sadness reactivity）
      • 快樂誘發在 IWDs 中「反應減弱」的預期，作者說在 HRV 層面並沒有很清楚地被示範（可能與刺激設計/主觀體驗差異等因素有關）

情緒特定模型表現（ERTC）：sadness 最能區分 IWDs vs HCs

  • 作者針對每個情緒條件各建一個 ERTC 模型，並建立 calm-state baseline，外加 logistic regression 對照。
  • 結果（ERTC）：
    1. Sadness-elicited model（最佳）
      • accuracy = 76.8%（95% CI 0.707–0.823）
      • AUC = 0.778（95% CI 0.699–0.841）
    2. Happiness
      • accuracy = 73.0%（95% CI 0.682–0.775）
      • AUC = 0.673（95% CI 0.610–0.737）
    3. Anger
      • accuracy = 71.5%（95% CI 0.638–0.792）
      • AUC = 0.682（95% CI 0.576–0.788）
    4. Fear
      • accuracy = 68.5%（95% CI 0.600–0.762）
      • AUC = 0.637（95% CI 0.524–0.742）
    5. Calm-state baseline（最低）
      • accuracy = 67.9%（95% CI 0.642–0.719）
      • AUC = 0.565（95% CI 0.512–0.620）
  • 解讀：
    • 「情緒誘發下的 HRV」比「平靜/靜息」更能提供可分類訊息
    • 悲傷條件的 discriminative validity 最強，支持 IWDs 對悲傷刺激更敏感（生理反應更放大）