Mejorar el agrupamiento del estilo de fijación con ROCKET y CatBoost: información del análisis de EEG

Área de la Ciencia:

• La neurociencia
• Psicología
• Aprendizaje automático

Sus antecedentes:

• Los estilos de apego son cruciales en psicología y neurociencia.
• Predecir estilos de apego usando datos neuronales objetivos es un desafío.
• Los métodos existentes carecen de marcadores neuronales objetivos para la clasificación matizada del apego.

Objetivo del estudio:

• Explorar el uso de modelos de aprendizaje automático (ML) y análisis de electroencefalografía (EEG) para mejorar la clasificación del estilo de fijación.
• Investigar la relación entre las características del EEG y los diferentes estilos de apego (seguro, evasivo, ansioso, temeroso-evasivo).
• Evaluar el potencial del análisis de EEG basado en ML para la evaluación psicológica.

Principales métodos:

• Se recogieron datos de EEG de 27 estudiantes universitarios.
• Los estilos de apego se evaluaron utilizando el cuestionario ECR-R.
• Las características de EEG se extrajeron utilizando el algoritmo ROCKET, seguido por el Análisis de Componentes Principales (PCA) y CatBoost para la predicción, con un enfoque de poda de datos en dos etapas.

Principales resultados:

• Se encontró una fuerte relación entre el número de épocas de EEG y la precisión predictiva.
• Los estilos de apego seguro y temeroso se predijeron de manera más confiable.
• Los estilos de ansiedad y evasión mostraron una mayor variabilidad, lo que indica firmas neuronales complejas.

Conclusiones:

• Los hallazgos apoyan el apego como un espectro influenciado por las experiencias, la regulación emocional y el contexto social, en lugar de categorías fijas.
• El análisis de EEG impulsado por ML muestra potencial para predecir estilos de apego, ofreciendo nuevas vías para la evaluación psicológica.
• El estudio destaca el apego como un proceso dinámico, informando las intervenciones clínicas y la investigación sobre los marcadores neuronales.