Page 256 - 急诊医学与精神疾病的临床理论研究

第七章 大数据时代的精神分析

我报告结果的相关性超过 0.30。步态识别的视觉分析技术主要用于测量和识别精
神障碍。例如，通过人工智能算法分析精神障碍患者的步态数据，Zhao 等能够
区分焦虑和抑郁患者，其准确率达 64%~74%；Wang 等通过步态数据区分抑郁症

患者和普通被试，准确率高达 93.75%。眼动分析也是教育和心理学研究中常用
的分析方法。眼动数据被视为工作记忆、注意力等基础认知功能的有效特征指标，
同时也被用来评估一些复合或高阶的认知功能。在教育质量监测中，有研究使用
深度学习算法分析学生的眼动注视情况，从而实现对教学过程中学习者注意力的

实时监测。此外，视觉分析算法也被用于处理人类交互视频，并对人类社交行为
进行研究。以视觉预训练实验研究为例，在学习超过 600 小时的 YouTube 视频后，
深度学习系统能够预测 43% 的人类交互行为，包括拥抱、亲吻、握手或击掌等。

5. 多模态数据联合建模分析技术
人工智能技术具有对不同类型数据进行联合分析的能力，这使得合并多种类
型数据进行协同建模成为可能。在多模态数据协同建模分析中，使用卷积神经网
络可以实现不同类型数据的特征对齐，建立多模态特征的映射关系，对多模态数
据进行特征融合。在实际应用中，结合物联网可穿戴设备采集的数据，人工智能

算法可以同时处理可穿戴设备采集的语音、文本、生理指标等多模态数据并进行
建模分析，从而实现对心理特质更精准的预测。多模态数据综合建模可以更准确
地预测认知功能。例如，Niemann 等使用深度学习算法综合皮肤电和传统认知能
力测量范式的任务完成情况建模，可以对被试的认知受损程度进行更精确的评估。

相较于传统的自我报告式评价，使用卷积神经网络进行多模态数据建模能够最大
限度地减少自我报告带来的偏差，从而提高人格测评的效率和精度。有研究使用
卷积神经网络对虚拟现实任务中的眼动数据、皮肤电数据和行为数据进行综合建
模，其对人格预测的准确率达到 75.4%。在精神障碍预测中，结合语音和面部特

征的预测模型对创伤后应激障碍的诊断准确率达到 90%。在心理治疗药物反应率
预测领域，基于人工智能的多模态数据建模具有广阔的应用前景。Fleck 等合并
fMRI 和 H-MRS 数据建模，预测双向情感障碍对锂元素药物的短期反应率，其准
确率达到 80%。Simon 等合并抑郁水平、人口学指标、创伤后应激障碍并发症、

神经症的症状数据等进行建模，预测抑郁症患者对抗抑郁药物的反应率，其准确
率达到 71%。对比研究也证明，通过结合多种神经成像、遗传和临床指标进行多
模态数据建模，其预测不同治疗手段对特定患者的治疗效果的准确率更高。总之，

239