基于机器学习的风险承担者和风险厌恶者的分类,使用静止状态EEG数据:试点可行性研究

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 决策在管理中至关重要,人们越来越感兴趣于识别冒险与不愿冒险的人格特质.
• 关于决策信号和大脑活动的现有研究缺乏对经理风险概况的智能,基于大脑的预测方法.
• 在组织心理学和神经科学中,区分冒险和不愿冒险的经理仍然是一个挑战.

研究的目的:

• 提出和验证基于脑电图 (EEG) 的智能系统,以区分冒险和不愿冒险的经理人.
• 通过神经生理学数据,研究机器学习算法的有效性,以分类经理风险概况.
• 探索基于大脑的技术在理解和预测管理决策倾向方面的潜力.

主要方法:

• 收集了30名经理的静止状态EEG信号.
• 应用波波变换用于时间频率分析,从EEG数据中提取统计特征.
• 使用两步统计包装算法进行特征选择,然后使用支向量机分类器.

主要成果:

• 开发的系统在区分承担风险和不愿承担风险的管理人员方面,获得了74.42%的准确性,76.16%的灵敏度,72.32%的特异性和75%的F1测量.
• 机器学习模型成功地区分了经理类型,在10秒的分析窗口内使用阿尔法频段的特征.
• 展示了显著的跨主体预测性能,突出了基于EEG的方法的稳定性.

结论:

• 基于机器学习的智能系统显示出区分冒险和不愿冒险的经理人使用生物信号的巨大潜力.
• 脑电图信号分析,特别是来自α频段的特征,可以作为管理风险倾向的可靠生物标志物.
• 这项研究为开发客观,基于大脑的工具开辟了道路,以评估和理解风险下管理决策中的个人差异.