近些年，抑郁傾向趨于年輕化和常態(tài)化，雖然相關(guān)研究已取得一定成果，但仍缺乏更為客觀、準(zhǔn)確的抑郁傾向識(shí)別方法，也缺乏從不同角度研究抑郁傾向，因此，提出將心理健康自查表和眼動(dòng)追蹤結(jié)合作為識(shí)別抑郁傾向的方法，并且創(chuàng)新地從多角度對(duì)抑郁傾向進(jìn)行研究，即將眼動(dòng)特征、記憶力特征、認(rèn)知風(fēng)格特征以及網(wǎng)絡(luò)行為特征多種類(lèi)型特征融合。為了處理復(fù)雜的特征關(guān)系，提出掃描過(guò)程來(lái)處理復(fù)雜的特征關(guān)系，并將掃描過(guò)程與堆疊法結(jié)合提出抑郁傾向識(shí)別模型一掃描堆疊模型。為了全面客觀評(píng)價(jià)掃描堆疊模型的性能，對(duì)掃描過(guò)程和堆疊法的獨(dú)立貢獻(xiàn)進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示掃描過(guò)程獨(dú)立貢獻(xiàn)為0. 03 ，堆疊法獨(dú)立貢獻(xiàn)為0.02，并且掃描堆疊模型與多種模型從參數(shù)R平方、均方誤差、平均絕對(duì)誤差進(jìn)行比較，結(jié)果為掃描堆疊模型的預(yù)測(cè)效果較好。

　　抑郁傾向識(shí)別模型通常為單一機(jī)器學(xué)習(xí)模型，如支持向量機(jī)（ Support Vector Machine， SVM）、BP神經(jīng)網(wǎng)絡(luò)（ BackPropagation Neural Network， BPNN）等。分析SVM和BPNN發(fā)現(xiàn)兩個(gè)模型互補(bǔ)，SVM優(yōu)點(diǎn)之--是能夠避免陷入局部極值，缺點(diǎn)為對(duì)缺失數(shù)據(jù)敏感等;BPNN的優(yōu)點(diǎn)之一是對(duì)缺失數(shù)據(jù)不敏感，缺點(diǎn)為易陷人局部極值等。若將不同互補(bǔ)模型組合構(gòu)建識(shí)別抑郁傾向的模型，有利于提高抑郁傾向識(shí)別方法的準(zhǔn)確性和科學(xué)性。