ROCKET と CatBoost での接続スタイルクラスタリングの改善: EEG 分析からの洞察

科学分野:

• 神経科学
• 心理学
• 機械学習

背景:

• 恋愛スタイルは 心理学や神経科学において 極めて重要です
• 客観的な神経データを用いて 結合スタイルを予測するのは 難しいことです
• 既存の方法では ニュアンスのあるアタッチメント分類のための 客観的な神経マーカーが欠けています

研究 の 目的:

• 機械学習 (ML) モデルと電気脳図 (EEG) 解析を用いて,接続方式の分類を改善する.
• EEGの特徴と異なるアタッチメントスタイル (安全,回避,不安,恐怖-回避) の関係を調査する.
• 心理学的評価のためのML駆動型EEG分析の可能性を評価する.

主な方法:

• EEGデータは27人の大学生から収集された.
• 添付スタイルはECR-Rアンケートを使用して評価されました.
• EEGの特徴は,ROCKETアルゴリズムを使用して抽出され,その後に2段階のデータ剪定アプローチで,主成分分析 (PCA) と予測のためのCatBoostが行われました.

主要な成果:

• EEGエポックの数と予測精度との間には強い関係が見られた.
• 信頼性が高く予測されました. 信頼性が高く予測されました.
• 不安型と回避型は 複雑な神経信号を示す より大きな変化を示した.

結論:

• 固定されたカテゴリーではなく 経験や感情の調節や 社会的文脈によって 影響を受けるスペクトルとして 付着を裏付けています
• ML駆動のEEG分析は,アタッチメントスタイルを予測する可能性を示し,心理的評価のための新しい道を開きます.
• この研究は ダイナミックなプロセスとしての愛着を強調し 臨床介入や神経マーカーの研究に 参考になりました