1 引言

人格是心理学理论的重要组成部分，人格与心理学其他理论部分的关系研究是心理学研究中的重要领域。心理应激状态（stress）是与大五人格中神经质概念高度相关的概念（Knapp, 2018）。心率变异性（heart rate variability, HRV）是指个体在一段时间内心跳间隔序列的一系列度量指标（Bilchick & Berger, 2006; Malik & Camm, 1993）。已有研究认为，HRV受交感神经–副交感神经活跃性的直接控制，交感神经活动增强与副交感神经活动减弱构成了应激的生理基础（Dickerson & Kemeny, 2004）。传统的HRV指标是利用心电图设备采集基础心电图数据并提取心跳波峰时间点，利用波峰时间点序列依次计算波峰间期序列，再利用此间期序列计算相关指标（Malik & Camm, 1993）。近年来，随着传感器技术的不断进步，大量研究开始利用其他传感器采集与基于心电图的波峰序列等效的R-R间期数据作为HRV指标提取的基础数据（Bolanos, Nazeran, & Haltiwanger, 2006; Gil et al., 2010; Li et al., 2018; Pinheiro et al., 2016）。

利用HRV，研究者对应激状态及其预测已有广泛的探讨并得到大量有意义的结论。如，刘溪和梁宝勇（2008）发现，特质焦虑的个体在心算应激后的HRV难以在短时间内恢复到基线期的生理水平。应激状态被认为是交感神经与副交感神经相互作用的结果，其中交感神经的活跃性提高个体的应激水平；与之相反，副交感神经的活跃则降低个体的应激水平；综合交感神经与副交感神经活性对应激状态具有明确预测效果（Lown & Desilva, 1978）。除应激带来的诸多生理变化（如消化系统活动停止、瞳孔放大、呼吸急促等）外（Gunnar & Vazquez, 2006），应激与神经质所指向的所有情绪体验都具有广泛联系（Görgens-Ekermans & Brand, 2012）。因此，利用HRV及与之相关的应激状态考察神经质水平特征应具有科学意义。

神经质作为一种人格特质, 核心特征是具有负性情绪体验的倾向（Digman, 1997）。长久以来，对神经质的调查和评价方法以自评量表为主，即通过填写结构化问卷呈现自身人格在情绪稳定及调整层面的特征（于肖楠, 张建新, 2007; Costa & McCrae, 1985）。神经质维度作为主流人格理论框架的构成因素之一，已被证明能够比较稳定地概括其所指向的一个独立人格特质，也具有较好的外部效度（周洁, 2010; Barrick & Mount, 1991）。随着人格测试广泛应用，研究者开始探索更客观化、更具生态学效度的人格评估方法，例如，基于设计社交媒体数据判定和挖掘人格指标（Kosinski, Stillwell, & Graepel, 2013），其中，通过研究测定与神经质有关概念的生理基础探求人格的维度及指标尤为研究者所关注。它涉及交感神经–副交感神经拮抗作用、中枢神经唤醒和下丘脑–垂体–肾上腺轴活动等基础神经活动研究（杨娟, 2009; Villarejo, Zapirain, & Zorrilla, 2012），其采用的技术涉及皮肤电、呼吸、HRV、皮质醇（cortisol）、化验、神经影像学（neuroimaging）等技术（Alaoui-Ismaïli, Vernet-Maury, Dittmar, Delhomme, & Chanel, 1997; Gross & Levenson, 1993; Hellhammer, Wüst, & Kudielka, 2009）。然而该类研究主要为“神经质概念存在”作为一个科学假设提供系列旁证，并不将各类测量及测量结果与心理学大五人格理论进行直接联系（Appelhans & Luecken, 2006; Dedovic et al., 2005; Kelly, Tyrka, Anderson, Price, & Carpenter, 2008; Kim, Kang, Kim, Kang, & Park, 2017）。

本研究目的是探索利用HRV所表达的应激状态与人格理论中神经质维度之间的对应关系，尝试寻找人格中神经质特征的神经活动基础。研究者以大五人格量表中的神经质维度得分作为神经质的指标，采用HRV作为应激反应的客观指标，探索了HRV指标对神经质水平区分力。特别的是，研究利用严格控制的实验室环境及有效的高水平应激触发手段实现了应激条件下HRV数据的采集。

2 方法 2.1 被试

在天津市某大学招募200名被试参与实验，由于数据缺损导致22位被试被排除，剩余178例（年龄16～36岁，女93人），被试参与实验之前均签署知情同意书。

2.2 实验仪器

采用光体积扫描传感器作为HRV 指标收集设备，该传感器为便携手表状，佩戴于被试的非利手。同时，在实验过程中，采用美国BIOPAC公司生产的MP150 型16 导生理记录仪采集被试的HRV实时数据，用于准确性验证。

2.3 实验设计

采用蒙特利尔应激任务（Dedovic et al., 2005）作为实验范式随机向被试呈现心算题目，该范式利用（1）心算任务；（2）对被试报告的心算结果正确与否的反馈；（3）紧凑的计算时间限制，以上三者作为应激源，向被试施加应激压力并诱发被试的应激状态。在被试参与蒙特利尔范式任务的同时，实验者同步采集被试的HRV数据。本实验具体分为3个阶段，分别是：（1）呼吸调整阶段（R阶段，时长2 min），在该阶段中向被试呈现一个带有秒针的时钟，主试在开始前引导被试利用秒针节律辅助寻找自己最佳的放松呼吸状态并维持该状态；（2）有限条件阶段（C阶段，时长2 min），使用计算机屏幕呈现心算题目，每道题目有一定的限时，该时限由被试者的做题表现决定，每对一道题目限时在原先基础上减去10%，做错一道题目则限时增加10%，时限变化的上下限区间为4～8 s，每位被试被分配200元初始奖励金额，每做错一道题目扣除5元，不应答的题目依照错误计算，剩余额度以红色文字显示在题目下方醒目位置；（3）全条件阶段（E阶段，时长2 min），在C阶段的基础上在题目界面上方加入醒目的蓝色倒计动画时条，动画条自右侧向左收缩，收缩消失时即倒计时结束的时刻。E阶段和C阶段以随机顺序出现，界面如图1所示。实验中题目均为答案范围在0～9的四则混合运算，被试通过操作鼠标点击屏幕上排列为圆形的0～9的方形按钮作答。

运算分为5个难度等级：个位数无进退位加减法，两位数无进退位加减法，有进退位加减法，无进退位加减法结合乘法或除法，有进退位加减法结合乘法或除法。不同难度等级以相同概率随机出现且题目随机。每个阶段之间被试有2 min的空白静坐时间，在正式开始前要求被试完成20道不限时长的计算练习阶段，练习中被试接受主试指导并确保熟悉应答的操作方式，如图2所示。

2.4 指标提取

光体积扫描传感器采集手腕毛细血管的血流量以判定被试的心跳时刻从而获取其心跳的R-R间期。此类传感器在先前的研究中已被反复证明与传统心电图传感器所获取的R-R间期数据有高于0.95的高度相关。利用R-R间期数据，研究者导出其HRV指标。研究利用R-R间期计算得到诸多HRV指标，这些指标均作为输入特征参与综合指标的生成运算。HRV信号数据导出和计算采用MATLAB 2014b实现。

大五人格中神经质维度数据方面，研究采用NEO-FFI中国版（Bilchick & Berger, 2006）作为评定标准，该版本神经质维度共12题，每位参与者在参与心算及HRV指标采集之前填写该自评量表。量表计分方式为直接计算总分，总分大于38分可认为是典型高分（唐静, 2012）。

2.5 数据分析

本研究采用LASSO回归归纳二者之间的此类线性关系。除HRV生理指标之外，研究者将各阶段出现的时间作为额外参数加入参数列表，将受不同实验阶段出现先后关系影响的因素考虑在内。在机器学习操作方法上，HRV生理指标与阶段顺序编码合并为特征参数向量（feature vector），为抽取具有指标性意义的度量值，研究者先将被试的神经质维度数据依照38分作为划界分，将38分以上被试者归类为高分组，编码为1；将38分以下被试者归类为低分组，编码为0，并将此作为事实指标（ground truth）。将C阶段的特征参数向量作为训练集实施LASSO回归并运行交叉验证，并选取误差最小的lambda作为模型惩罚系数。

将C、E和R阶段的数据分别代入模型，得到三组预测值，其中C阶段的预测值反映了数据的拟合程度，E和R阶段反映被试在高强度压力和低强度压力下不同的模型预测力。本研究利用该3组预测值绘制了操作者特征曲线（receiver operating characteristic curve, ROC）并计算了曲线下面积（area under the curve, AUC）用以鉴定模型表现，同时还计算了预测值与事实指标的相关系数并利用Bonferroni 多重比较校正方法校正。此外，研究者使用单因素方差分析对三组预测值实施了两两比较以观察不同条件下预测值之间的差异状况。

数据分析部分，本研究采用R语言3.4.0版本（Bolanos et al., 2006），其中ROC及AUC计算采用了pROC库，LASSO回归采用glmnet库。

3 结果

LASSO模型构建的残差（见图3）显示，在基于阶段C的特征迭代搜索过程中，该模型的残差逐步收敛。利用该模型产生的C阶段的预测数据求取与被试神经质高分组–普通组（见图4）的二分序列相关关系，得到r=0.43（p<0.01）的显著正相关；将E阶段的各被试特征向量代入模型，可得到r=0.32（p<0.01）的显著正相关；以同样方式代入R阶段特征向量，得到r=0.17（p=0.06）；同时本研究计算了未经分组的连续神经质得分与LASSO预测之间的相关系数，依照顺序，其C、E、R阶段的相关系数分别为r=0.23（p<0.01）、r=0.21（p<0.01）和r=0.1（p=0.19）。以上显著性的p值均经过Bonferroni多重比较校正。

以E阶段为特征的ROC得到的AUC为0.729（最佳切点敏感度0.770, 特异度为0.636）；以R阶段为特征的ROC得到AUC为0.621（最佳切点敏感度0.403, 特异度为0.848）（见图4）。

为比较三组数据之间的关系，研究者分别对E、C和R阶段的预测指标实施单因素方差分析。三组数据Bartlett test结果为K²=4.7816（df=2, p=0.092），可认为方差齐性。以TuckyHSD作为校正手段，分析各阶段两两比较结果显示，E组与C组之间无显著差异，但R组与E组、R组与C组间均差异显著（见表1）。

4 讨论

本研究旨在通过利用HRV参数结合大五人格中神经质维度的自评分数，以广义线性回归的方法探索生理指标与维度概念之间可能存在的关系。

经探索性的LASSO回归模型逐步收敛的残差及其产生的C阶段预测与被试神经质分类的拟合可以看出，利用C阶段数据（即应激负荷状态下的特征指标）实施建模可以得到具有显著中等相关的结果，这证明模型的拟合具有科学意义。此外，利用E阶段特征作为输入，所得预测值与神经质自评之间的显著相关及较大程度上高于随机，AUC值结果说明该模型在同样具有应激负荷的条件下（即E阶段）仍然具有较好的推广效果。因此，综合以上可以认为，在应激负荷条件下，HRV是人格中神经质较好的生理预测指标。该结论也支持了前人研究中的观点，即较高的神经质与被试在休息和压力状态下的HRV降低有关（Čukić & Bates, 2015）。

R阶段的数据与神经质得分边缘显著相关，在AUC方面R阶段数据也表现出了相对E阶段更加接近随机水平的数值，这些证据暗示着R阶段可能与C阶段和E阶段具有完全不同的生理模式。从实验操作的角度考虑可以从一个侧面印证这个观点：R阶段与C和E阶段有本质的不同，该阶段不具备应激源，属于非应激阶段；从实验设计的角度考虑，R阶段是一个放松阶段，它的实验操作类似于自由呼吸放松技术的执行流程（Gil et al., 2010）。三者差异的重点在于，本研究利用的是以神经质评分作为机器学习的标签而构建的判定模型，R阶段不仅在实验设计上区别于应激阶段，在神经质的判定结果上也区别于应激阶段。即在非应激状态下，个体表现出的自主神经活动特征并不像在应激状态下一样具有预测意义。关于此点，更加有针对性的证据是三阶段的单因素方差分析，其非常显著的效应的根源就来自于R阶段与E/C阶段的巨大差异。神经质作为人格特征是一种较为稳定的特质，但HRV在不同条件下差异显著。结合以上讨论可以认为，在低应激水平条件下，人格的神经质特质在神经活动表现中呈隐性状态，而在高应激水平条件下，人格的神经质特质在神经活动中呈显性状态。

此外，研究还发现，神经质概念在自主神经活动特征方面的表现只存在于应激状态下，该发现对于今后研究自主神经对神经质概念的表达具有启发性意义，寻找其神经质特征在应激条件下应当更为可行。同时也提示，每个具体特征应激状态下与非应激状态下的区别对未来研究具有重要的启发，即未来在具有更高预测力、更能表征神经质特征的指标寻求研究中，可以采用观察不同状态间自主神经活动的数值变化及其组合模式作为入手点。

本研究的不足之处表现在未能采集一个与模型建构完全一致的模型验证数据集。虽然E阶段与C阶段的差别为是否显示倒计时，但如果构建与验证采用完全相同的阶段可能可以得到具有更高区分力的结果。

上述研究结果提示，HRV特征中存在大五人格中神经质维度直接的生理基础证据，人格与HRV所表示的应激与心理健康、幸福感都具有密切关系。本研究探究了人格中神经质维度和应激二者之间的关系，这对于心理调适具有一定的指导意义，如针对人格中神经质特质较强个体而言，应激状态的监控和及时调整可能在心理健康促进方面相对其他人群更加关键；同时本研究成果还在应用层面具有启发意义，即这种针对神经质特质较强人群的状态监控，可以应用可采集心跳/脉搏间期数据的设备（如，运动手环、运动手表）以达到促进心理健康的目的。

5 结论

综上，本研究发现在高应激状态下，多个HRV指标对人格的神经质特质都具有预测力，人格的神经质特质具有较明确的生理表现，且与应激水平高度相关。人格的神经质特质和主观应激体验具有密切联系，可以作为促进心理健康的一个切入点。