用腦波預測依附類型:透過機器學習找訊號特徵

分享至

人與人之間的親密關係很大程度的受到了自我價值以及人際之間信任的影響。而依附類型則表現了親密關係的情感與行為的動態關係,理論上共分為四種依附類型:迴避型依附 (dismissive attachment)、恐懼型依附 (fearful attachment)、焦慮型依附 (preoccupied attachment)、安全型依附(secure attachment)。目前這幾種依附類型已經證實與腦神經活動具有一定的相關,但究竟其神經活動的訊號有哪些特徵?依附類型是否如理論上所言是四種呢?

撰文|王冠云

來源:MotionElements

 

腦電圖訊號是什麼?如何用機器學習分析?

EEG (electroencephalography) 又稱為腦電圖或腦波圖,這是一種透過在頭皮上放置不同點位的電極來記錄大腦內的電流活動的技術。這項技術不需要讓儀器入侵頭皮,只需要頭部表面黏上電極就能收集大腦內的電活動。腦電波技術經常被用於心理學、神經認知科學等學科的實驗中,例如睡眠、癲癇疾病等等相關的研究,近年來,更是廣泛應用到不同的領域,例如行銷、教育等等,都能看到有使用EEG來測量的研究。

而心理學理論透過EEG等神經生理訊號的分析,將能透過生理訊號進一步的證明心理學理論的存在,讓透過推論而得的理論得到了生理基礎。依附類型的分類就是其中一例,目前已經有證據證明,依附類型確實和大腦神經生理的活動有相關。例如,屬於焦慮依附類型的個體,在有他人在場的社會情境之下,大腦皮質的活動會出現更多的增強。其他研究案例如,迴避依附的個體對於正向刺激的表現會出現左右腦的不對稱。

至於區分依附類型的方法Gillath (2009)發現,不同依附類型的個體,在進行Flanker任務的時候會有不同的表現。Flanker任務是一個心理學的經典實驗刺激,用於測量個體的注意力,畫面中會出現連續一排白色箭號,其中有一個是紅色的,要回答紅色的箭號朝向哪個方向,而白色箭號和紅色箭號可能是相同方向也可能不同方向。

基於過去研究的發現,Laufer等人 (2024)假設在進行Flanker任務時,研究參與者們的EEG訊號應該會因為他們的依附類型而有所不同。所以他們將透過機器學習模型來分析這些EEG的資料,以預測不同的依附類型。

 

用XGboost分類依附類型的結果

Laufer等人 (2024) 的研究招募了96名實驗參與者,介於20到35歲之間,首先,先以ECR-R問卷來評估這些參與者們的依附類型。ECR-R問卷是一個廣泛被使用於評估個體焦慮程度 (anxiety) 及迴避程度 (avoidance) 的量表,共有36道題目。為了不要太武斷的從分數來評斷參與者們的依附類型,研究者使用了k-means分群演算法,以這兩個向度的分數區分出四種不同依附類型的人。簡單而言,低焦慮低迴避屬於安全型依附;高焦慮低迴避屬於焦慮型依附;低焦慮高迴避屬於迴避型依附;高焦慮高迴避則是屬於恐懼型依附。而這四種依附並非在單一平面上切割分類,而是透過k-means進行分群。

接著研究者們在從這90餘位實驗參與者中挑選出27名參與者,進行腦波 (EEG) 實驗,他們使用了16個電極的腦電圖設備。並且在一邊進行Flanker任務的時候一邊測量腦波。

以機器學習的步驟而言,在收集完資料之後,除了進行資料的前處理之外,接著更重要的就是進行特徵工程 (feature engineering),每一個EEG的電極,都抽取出了45個不同的特徵量,特徵來源包含腦電波特徵(以頻率計算,包含α波、β波、δ波等)、複雜度特徵(如傅立葉熵、樣本熵等等)、時間特徵(收集時間軸的資訊)以及行為特徵(包含反應時間、正確率等)等。

在模型的訓練及驗證部分,Laufer等人 (2024) 使用的是K層交叉驗證法,並且使用XGBoost的分類器進行安全依附以及不安全依附這兩種風格的分類。由於研究者主要目的是測試腦電波的特徵量是否能有效預測,因此,先將依附類型由四類分成兩類,以方便使用XGBoost進行測試。

研究結果指出,XGboost分類器在便是不安全依附的個體表現出了96.18%的準確度,但安全依附的準確度卻只有55.34%。

 

神經模式 (pattern) 影響了機器學習的準度

Laufer等 人(2024) 的研究結果出現了兩種不同的準確度,因此,研究者們也進一步探索這些神經訊號的特徵以及模式 (pattern) 是否在哪些層面影響了機器學習的模型。

研究發現,一方面可能是因為樣本量不平衡,另一方面,不安全依附類型的個體所表現出來的神經反應更加多樣化且明顯,而安全依附類型的神經模式則較不明顯,這樣可能使得安全依附的神經特徵的辨識度較低,導致模型比較不能正確的識別。

另外,研究者們也進一步的分析了各個特徵對於模型預測的貢獻度,其中,時間資訊的重要性佔有關鍵作用,也就是說,腦電圖資料的時間動態是很重要的。而上述提到的「複雜度特徵」,也是重要的特徵,這同時也強調了腦電波所提供的資訊,對於分類依附類型而言具有一定的重要性和貢獻。因此,透過不同的手法,在腦電波的訊號中提取資訊,並且對於特徵進行一定的工程處理,也許能夠再更進一步的優化模型的分類能力。Laufer等人指出,未來的研究還可以比較機器學習及深度學習等不同的模型在腦電圖分析中的表現,將能指導研究人員針對不同的課題和資料特性找到更適合的分析方法。

 


參考文獻

  1. Gillath, O., Giesbrecht, B., & Shaver, P. R., 2009, “Attachment, attention, and cognitive control: Attachment style and performance on general attention tasks.”, Journal of Experimental Social Psychology, 45(4), 647-654.
  2. Laufer I, Mizrahi D and Zuckerman I, 2024, “Enhancing EEG-based attachment style prediction: unveiling the impact of feature domains.” Front. Psychol. 15:1326791. doi: 10.3389/fpsyg.2024.1326791
  3. EEG(APA辭典)
  4. attachment style(APA辭典)
  5. Flanker任務範例影片
(Visited 195 times, 1 visits today)

分享至
views