论文部分内容阅读
关系是对个体间互相影响或依赖对方程度的描述。当两者间依赖程度很大时,称为亲密关系。亲密关系的研究对于维护生活中各种各样的人际关系十分重要。目前,对亲密关系的研究大多采用功能磁共振成像技术(Functional magnetic resonance imaging,fMRI),其证明多巴胺途径可以调节爱情相关脑区的激活状态。然而,fMRI具有测量环境密闭,噪声干扰源复杂等缺点。然而,功能性近红外光谱(Functional near-infrared spectroscopy,fNIRS)技术对被试不受约束,且可直接用于测量与神经激活相关的高时间分辨率的血氧浓度变化情况。因此,本文采用“朋友”、“恋人”、“陌生人”三组照片代表三种亲密关系类别,通过fNIRS设备测量被试观看三类图片时的大脑神经活动,分析脑神经机制。同时,利用包括浅层机器学习和深度学习模型来预测亲密关系类别。本文通过t检验和脑功能连接分析亲密关系神经机制,探究亲密关系表达在脑成像上的反应模式。结果表明,观看不同类型照片时有不同的激活区域。基于神经机制分析结果,采用不同机器学习方法提取fNIRS信号的特征,对亲密关系类别进行分类研究。采用一般线性模型(General linear model,GLM)方法提取β值,复杂脑网络分析(Complex brain network analysis,CBNA)方法提取具有显著差异的脑网络局部节点测量指标作为特征向量,预测准确率为98.89%。GLM和CBNA的使用需要专业技术背景,为自动提取关于亲密关系类别的特征,本文设置串行的卷积神经网络(Convolutional neural network,CNN)和长短时记忆网络(Long and short memory network,LSTM)同时捕获fNIRS数据的时间和空间信息,用以预测基于脑成像表示的亲密关系类别。为解决LSTM在学习fNIRS时序信号中长期时间依赖性问题,引入注意力机制(Attention mechanism)提取fNIRS信号片段中关于亲密关系关键信息的的显著特征。预测准确率为97.39%,虽然该方法预测准确率不如基于CBNA特征提取的浅层机器学习方法的预测结果,但可以自动提取特征,能够有效学习亲密关系。