即使在信息技术显著发展的情况下,基于自我报告的特征和偏好来预测异性恋个体最初的相容性也并不成功。为了克服自我报告测量和预测相容性的局限性,我们使用了来自静息状态功能磁共振成像(fMRI)数据的功能连接,这些数据携带丰富的个体特异性信息,足以预测社会认知任务中的心理构建和激活模式。在从静息态功能磁共振成像(fmri)中收集数据的几天后,参与者进行了一个快速约会实验,在这个实验中,他们与其他所有异性参与者进行3分钟的快速约会。我们的机器学习算法成功地预测了实验中的成对是否兼容,使用实验前获得的功能连接的(不)相似性。个体之间功能连接的相似性和差异性以及这些多元关系有助于预测,因此表明了互补性(观察到的差异性)的重要性,以及个体与潜在伴侣在最初吸引阶段的相似性。结果表明,突显网络、边缘区域和小脑对相容感尤为重要。这项研究强调了神经信息在社会环境中预测复杂现象的效用,而单凭行为测量是无法预测的。
1 简介
找到一个合适的浪漫伴侣是具有挑战性的,这就是为什么婚恋服务有一个强大的经济市场。为了帮助人们找到他们的灵魂伴侣,一些配对服务利用算法,旨在根据自我报告的数据,在用户开始交流之前预测他们潜在的合适伴侣。然而,目前这种算法的性能非常有限。在这些算法中,在社会关系研究之后,人格的相似性和互补性都被认为对相容性很重要。人们更喜欢和具有相同性格类型和互补的依恋不安全感(焦虑型或回避型)的人约会。他们也喜欢与人际关系风格互补(主导或顺从)的伴侣进行二元互动。因此,这种心理构念可以帮助预测个体的相容性。
然而,最近的一项研究显示,预测相容性的结果是负面的。参与者首先完成了超过100份心理调查表。随后,他们参加了一个速配活动,在这个活动中,他们与每个参与者的异性进行了4分钟的谈话,被称为速配。在每一次快速约会之后,参与者填写了他们对潜在伴侣的浪漫欲望的三个项目。研究结果表明,即使有100多个心理构念,机器学习算法也无法预测个体对彼此的渴望程度。这可能是由于个人的行为在快速约会的背景下,时间是有限的。此外,在大多数关系开始的情况下,不熟悉的情况并不一定会引发与自我报告的心理构念相一致的行为,这些心理构念反映了一般的行为倾向。另一项研究也表明,在二人互动中感知到的相似性,而不是在见面前收集的自我报告测量的相似性,对预测最初的吸引力很重要。在见面前对伴侣特定品质的主观偏好和被选中的伴侣相应的品质之间还有一个差异。因此,要预测两个人在关系开始阶段的相容性,预测变量需要反映两个人在二元互动中实际表现出的行为倾向。
在过去的二十年里,人们对无任务的自发大脑活动进行了密集的研究,因为它携带的信息非常宝贵,而且数据收集非常简单。通过功能磁共振成像(fMRI)扫描不超过10分钟的无任务静息状态,可以获得跨区域时间序列的相关模式(即功能连通性),并识别功能组织(即:大规模的大脑网络)与各种任务诱发的激活模式相对应。静息状态的功能连接不仅可以预测代表一般行为和思想倾向的各种心理构念(例如,大五人格特征),还可以预测各种社会认知任务中的激活模式,这需要二元互动所必需的能力(例如,情绪处理、语言和社会认知)。研究还发现,两个个体之间功能连接概况的(不同)相似性代表着心理构念或行为倾向的(不同)相似性。此外,最近的研究根据静息状态功能连接的相似性成功地预测了现实社会网络中的邻近性,这表明功能连接可能捕捉到朋友之间潜在的人际相似性,通常使用的人口统计学或人格测量方法无法完全捕捉到这些信息。基于这些发现,很可能一个人与潜在浪漫伴侣的功能连接概况的(不同)相似性,对应着在二元互动中行为倾向的(不同)相似性。这将使我们能够预测这种互动的结果,即关系开始时的相容性。
在本研究中,我们使用快速约会范式和功能磁共振成像(fMRI),旨在证明男女关系的相容性可以通过收集的个人功能连接档案来预测。本研究利用功能连通性相似度指标,利用机器学习算法预测相容性。Hyon等人(2020)使用的可比指数是会前静息态fmri功能连接性差的绝对值。
我们假设相容性可以通过功能连接profile的(不同的)相似性成功地预测。考虑到相容性不仅取决于相似性,还取决于特征的互补性,例如支配/顺从和依恋焦虑/回避时,有助于相容性分类的特征值既为正(表示相似性),也为负(表示差异性或互补性)。这种由分类贡献的特征将使我们能够探索相容性的神经基础。
2 方法简述
由于目前的研究,据我们所知,是第一个在神经影像学研究中使用功能连接相似性指数作为特征值的研究(尽管在社会心理学的问卷数据中使用了类似的方法),我们首先使用来自人类连接组项目(HCP)的公开数据评估了指数的效用。在这个指标评估中,我们试图使用相同的协议对在不同时间点从一个给定的个体(自我对)和不同个体(自我-他人对)收集的成对数据进行分类。然后我们确认了指数代表了特定于配对的信息,使我们能够区分具有不同属性的配对。虽然传统的静息态fMRI研究只使用低频(< 0.1 Hz)数据,但最近的研究发现揭示了频率相关信息的重要性以及高频数据与复杂信息处理之间的联系。因此,我们使用来自四个不同频段的数据对信息进行分类。在使用HCP数据集进行指标评估时,对数据分类的有效频带也进行了标记。
2.1 基于功能连通性对比的个性分类
2.1.1 数据和预处理
被试来自于HCP的test-retest数据集。数据用DPARSF预处理。
2.1.2 将数据分解为多个频带
为了确保标识和相容性分类使用相同的频带,本程序使用相容性分类的数据进行,如相容性分类的“将信号分解为多个频带”部分所述。四个频段(0.109-0.199、0.055- 0.109、0.027 -0.055和0.014- 0.027 Hz)与以前的研究相似的定义用于后续分析;这些频带分别称为F1、F2、F3和F4。
2.1.3 个性识别
两组数据的个性取决于它们是否来自同一个人。一双自-自对包含两组收集的数据从一个个体在不同的时间点(例如,被试A在时间1和被试A在时间2)。一个自-他对包含两组在不同时间点收集的数据来自两个个人编号(例如,被试A在时间1和被试B在时间2 )。因此,我们得到了44对自-自对和44对自-他对。
考虑到自-自对数据被认为比自-他对数据更相似,如果特征值确实代表个体特定的信息,那么机器学习算法应该能够区分自-自对和自-他对。此外,用于分类的特征值(将在下一节解释)应该具有正系数,因为作为自-自对的高概率应该与连接方面的高度相似(而不是不同)有关。因此,我们证实,该程序可以根据个体特定的信息正确地对配对进行分类,评估哪些频带的个体信息特别丰富,并可能预测相容性。
2.1.4 成对数据的特征
需要适当的特征值来构造机器学习分类器并对个性标签进行分类。通过功能连通性计算可能代表两组数据一致性的特征值,即区域平均时间序列数据的Pearson相关性。感兴趣区域(roi)是通过自动解剖标记(AAL)定义的,它将大脑划分为116个感兴趣区域。每个数据点得到6670个功能连通性向量。然后得到两个向量的绝对差向量,作为每个频段一对特征值的集合。下面,我们将这些特征值称为功能连接性对比。
2.1.5 连接模式的相似性
除了特征值准备,我们还比较了两组(即自-自对vs.自-他对)之间成对内的相似性(功能连接向量的Pearson相关性)作为初始分析。
2.1.6 来自于功能连接性对比的个性分类
我们根据功能连接向量的对比对个性进行分类。在分类方面,我们使用Python中的scikit-learn包,使用了一种机器学习算法,称为带弹性网络正则化(SLR-EN)的稀疏逻辑回归。弹性网络是一种正则化方法,可以进行特征选择(即功能连通性的不同向量),并防止分类器的过拟合,与参与者数量相比,分类器包含大量参数。因此,弹性网络和逻辑回归的组合使提取一组功能连接,其相似性以一种更一般化的方式区分从众多参数的个性,而不是通过独立应用逻辑回归评估每个参数的重要性。
2.2基于功能连接性对比的相容性分类
2.2.1被试和实验设计
相容性分类的参与者包括42名没有神经系统疾病史的健康青年志愿者。参与者进行了为期4天的实验,包括三个阶段:1)快速约会前的任务/休息fMRI测试,2)三次快速约会事件,3)快速约会后的fMRI测试。实验范式如图1.
图1 实验设计
2.2.2图像采集和预处理
采集BOLD成像和T1结构像。预处理与上一节一致。
2.2.3信号分解
将小波变换方法应用于从AAL定义的116个roi中提取的区域平均时间序列数据。这一步将信号分解为7个波形,其频带根据波形、roi和对象不同而不同。因此,每个受试者在每个频段的波形频率下限有116个最小值。这些最小值的中值设为各频带的下限,各频带的上限设为以下各频带的下限。低于0.010 Hz的频段由于信息值较低而被丢弃,后续使用0.109-0.199、0.055-0.109、0.027-0.055、0.014 -0.027 Hz 4个频段的数据进行分析;这些波段分别称为F1、F2、F3和F4。
2.2.4 相容性定义
两个人的相容性是由他们对每个异性参与者的印象来定义的。如果两个人都选择对方作为他们想要再次交谈的潜在伴侣,那么他们就会被标记为“兼容”。否则,一对被标记为不兼容。根据这个定义,有158对兼容,282对不兼容。
2.2.5 配对数据特征值
与上一节定义相同。
2.2.6 连接模式相似性
对兼容组和不兼容组之间的相似性进行比较,按照连接模式相似性部分中描述的程序进行个性分类。
2.2.7 从功能连接对比的相容性分类
在主要的分析中,我们从功能连接向量的对比中对快速约会后的相容性进行分类。这是使用来自功能连接对比的个性分类章节中描述的方法完成的,并附加了过采样。
3 结果
3.1 用HCP数据集的个性分类结果
如图2A所示,在所有频带中,自-自对的功能连接模式相似性显著高于自-他对。这意味着功能连接表示特定于个人的模式。
图2 个性分类结果
个性分类中功能连通性对比的负系数应该是过拟合的成果。因此,我们对每个频带使用二项式检验来检验正系数的数量是否显著大于负系数的数量。在有助于个性分类的前1%系数(6670/100 67)中(图3),大多数系数在F1中 (67个中有53个)和F2 (52 / 67) 为正。这些结果证实,这些频带的功能连通性的对比反映了自-自对与自-他对之间的连通性模式的差异。相比之下,F3没有表现出显著差异(67人中有33人),表明该频带的显著分类可能不是通过使用个体特异性信息,而是通过过拟合实现的。关于脑网络中与分类有关的连接比例,研究发现小脑的功能连接对比在所有显著频带中对个性分类都很重要(图4)。
图3 前100个特征值,即各频段功能连通性差异的绝对值,有助于识别分类
图4 在大脑网络中由分类贡献的连接性的比例
综上所述,指数评估证实了配对数据中功能连通性的对比,尤其是较高频带(F1和F2),代表了配对的特异性信息,使不同属性的配对得以区分。结果还表明,较低频率(即F3和F4)所代表的信息是不可靠的。
3.2 相容性分类结果
相容性分类的结果与同一性分类的结果有显著差异。首先,如图5A所示,兼容对与不兼容对的功能连接模式整体相似性无显著差异)。这表明男女关系的相容性并不一定由功能连接模式的相似性来表示。
其次,也是最重要的,对F1(高于机会水平5.47%±2.10%)和F2(高于机会水平4.95%±2.28%)进行了精度显著的相容性分类,如图5B所示。这意味着,这些频带的功能连接对比具有特定的信息,能够预测给定的对是否兼容。
与个性分类不同,相容性分类是由特征的相当大的负系数支持的(图6A, B)。
图5 相容性分类结果
图6 显著促进相容性分类的特性
ROI对分类的贡献由ROI所属的具有分类贡献的功能连接对比数来表示。图6C, E显示,分类贡献的roi倾向于属于特定的网络(而不是视觉和感觉运动网络),并具有侧性差异(小脑对比)。
对于每个网络组合的比例贡献(图6D, F),小脑在F1中表现出显著的整体正贡献,显著网络对F2的整体贡献显著。
关于网络内横向性的总对比(图6C, E),我们没有发现任何显著结果。
4 讨论
在本研究中,我们试图通过静息态功能磁共振成像数据来预测快速约会后男女关系的相容性。HCP测试重测数据集(个性分类)的指标评估结果表明,通过对比高频波段(即F1和F2)的功能连通性,可以对关系的相容性进行分类。研究发现,兼容对的整体功能连接性概要的相似性并不高于不兼容对,相容性分类支持功能连接性与个性分类相当大的差异。可能反映了这样一个事实:相容性取决于个人和潜在伴侣之间的相似性和互补性。据我们所知,这是第一个阐明了相容感的神经基础,并强调了静息态fMRI在预测人际交往结果方面的潜力的研究。
我们的研究引出了四个有价值的未来方向。首先,为了促进我们对相容性和人际吸引或交配行为的神经基础的理解,我们应该检查静息状态功能连接相似性、双元交互过程中的脑-脑耦合和感知相似性之间的缺失环节。其次,利用基于任务的功能连接可以提高相容性预测性能。第三,本研究强调了频率特定功能在社会关系中的重要性。第四,静息状态的功能连接对基于相似性的成对心理构念的预测是有益的。
综上所述,本研究表明,异性恋个体的初始相容性,不能通过自我报告的心理构形来预测,可以通过静息态fMRI数据的功能连接来预测。个体间功能联系的相似性和差异性的贡献以及这些多元关系表明了互补性和个体与潜在伴侣之间相似性的重要性。我们的研究强调神经影像学在社会环境中检查复杂现象的效用。
参考文献:Brain Knows Who Is on the Same Wavelength: Resting-State Connectivity Can Predict Compatibility of a Female–Male Relationship
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。