心理学部教授团队在《Cognitive Neurodynamics》发文建立拖延行为障碍的神经预测诊断模型

►►►

拖延(procrastination)是指个体明知道会产生不利后果，但仍自愿推迟开始或完成某一任务的行为。严重的拖延行为将导致个体更糟糕的学业成绩和工作表现，进而对个体的心理健康(mental health)和生理健康(physical health)产生不利影响。因此，拖延行为障碍精准的鉴别对拖延行为障碍的早期诊断和干预具有重要的临床价值。然而，目前对于拖延行为的筛查都是基于量表或问卷的测量，缺乏客观的判别指标。

►►►

为此，冯廷勇教授团队在课题组对拖延的神经基础研究的基础上(Chen & Feng*, 2019a,b; Chen & Feng*, 2020)，构建了多模态混合神经特征模型(hybrid brain model)，并通过融合神经模态信息训练的分层机器学习模型实现了对拖延行为障碍个体预测性鉴别；同时，利用多变量分析技术，通过mCCA+jICA算法揭示了拖延行为障碍个体的混合神经模态成分，提高了模型的可解释性。

►►►

近日，该研究“Hybrid brain model accurately predict human procrastination behavior”发表在国际著名科学期刊Cognitive Neurodynamics (中科院SCI二区，IF=5.082)上。该研究通过融合神经模态信息的有监督机器学习(图1A)和mCCA+jICA模型(图1B)分别实现了对拖延行为障碍个体的准确鉴别(准确率：87.04%，敏感性：86.43%，特异性：85.19%)及揭示了海马网络的功能-结构融合变化(预期想象网路)、额顶控制网络及突显网络的局部-全局融合变化(自我控制网络、情绪调节网络)作为拖延行为障碍的融合模态神经基础（图2）。因此，本研究基于融合多模态融合神经信息建立了拖延行为问题个体的预测性鉴别模型，对将来实现拖延行为障碍的神经诊断具有一定的实践指导意义；同时，融合多模态神经网络在拖延行为问题个体中的特征验证了本课题先前提出了拖延三重神经网络模型，具有一定的理论价值。

►►►

图1 研究技术路线与思路。

（A）举例采用SVM基于融合多模态神经信息

建立机器学习模型；

（B）举例采用mCCA+jICA模型分解出拖延行为问题个体的

融合多模态神经信息成分

图2 多模态脑网络特征的检验

►►►

冯廷勇教授课题组近年来围绕拖延行为的多模态神经基础这一重要科学问题进行了深入研究，并将系列成果发表在Cerebral Cortex, Neuroimage、Cortex, Human Brain Mapping等国际知名杂志。本论文第一作者为西南大学博士研究生陈志毅，西南大学心理学部冯廷勇教授为通讯作者，该研究得到国家自然科学基金面上项目（31971026）、中央高校基本科研业务经费创新团队项目（SWU1509392）及重庆市研究生科研创新项目(CYB21082)资助。

►►►

文章索引：Chen, Z., Zhang, R., Xie, J... Feng T*(2022). Hybrid brain model accurately predict human procrastination behavior. Cognitive Neurodynamics. https://doi.org/10.1007/s11571-021-09765-z

排版 | 吉洁

责编 | 肖叶菲 彭瑞瑶 王雅萱

图文源于学部官网