基于Flanker任务EEG数据的依恋风格预测模型构建与神经机制解析

这篇开创性研究首次利用Flanker任务中的EEG信号，通过ROCKET算法自动提取20,000个时域特征，经PCA降维后采用CatBoost构建多目标回归模型，成功预测成人依恋风格的焦虑与回避维度（ECR-R量表）。研究突破了传统自评问卷（self-report）的主观局限，为依恋神经机制研究提供了客观生理标记，同时验证了机器学习在心理特质预测中的创新应用价值。

　　

引言

Bowlby依恋理论揭示了人类情感联结模式的个体差异，传统测量依赖ECR-R自评问卷（36项）。近年神经生理学研究虽发现依恋与α/β波活动、前额叶不对称性等EEG特征的关联，但缺乏基于生理数据的预测模型。本研究创新性地利用Flanker任务诱发的EEG信号，通过现代机器学习技术构建首个客观依恋预测系统。

实验设计

27名右利手工程专业学生（16女/11男，23.8±2.1岁）完成ECR-R问卷后参与EEG实验。采用16通道g.tec设备（采样率512Hz）记录Flanker任务中的脑电活动，刺激包括4种箭头组合（2种一致/2种冲突），每个试次后呈现1秒正/负反馈。关键分析锁定反馈后1,000ms的EEG片段，聚焦情绪响应而非认知选择过程。

数据分析

预处理流程包含1-32Hz带通滤波、50Hz工频陷波、ICA去伪迹和平均重参考。采用革命性的ROCKET算法生成20,000个卷积特征，经PCA压缩至87个主成分（保留>90%方差）。比较两种预测策略：独立回归模型（分别预测焦虑/回避）与多目标回归模型（联合预测）。CatBoost算法通过3折分层交叉验证评估性能，关键指标为均方根误差（RMSE）。

结果

行为数据显示回避维度与准确率显著正相关（r=0.538, p=0.004），而焦虑维度无显著关联。多目标模型表现全面优于独立模型：恐惧-回避型预测误差降低27.91%，安全型误差仅0.37。四类依恋的神经表征差异明显：安全型（低焦虑/回避）EEG模式最稳定，焦虑型（高焦虑）和回避型（高回避）的预测变异较大，印证了依恋维度的连续性假说。

讨论

该研究取得三重突破：

1. 1.

   方法学创新：首次证明通用认知任务（Flanker）的EEG信号可预测依恋特质，避免任务特异性偏差；

2. 2.

   技术革新：ROCKET+PCA方案克服传统手工特征（如P200/P400 ERP）的局限性，实现高通量神经特征挖掘；

3. 3.

   理论验证：焦虑-回避维度的协变关系支持依恋的谱系理论，恐惧-回避型与安全型位于神经响应谱的两极。

局限包括样本同质性（青年学生）和未分离正/负反馈效应。未来可结合fNIRS等多模态数据，开发临床实时评估工具。这项研究为人格神经标记物探索树立了新范式，其技术路线可扩展至大五人格等特质的客观测量。