随着深度学习、机器学习的发展和成熟，在心理学研究中应用人工智能算法已经是大势所趋。我们日常阅读、看图、写字，各种行动都与大脑活动息息相关。如何对大脑活动进行解码是神经科学、生物工程、心理学、人工智能等多学科研究的关注点。

近日，教育科学学院本科生姜啸威同学和其导师陈亚楠博士作为合作者和西湖大学张岳教授团队合作，在人工智能领域顶级会议AAAI21上发表文章：Brain Decoding Using fNIRS。该研究通过fNIRS对语义进行神经解码，发现跨越不同大脑区域、语义类别甚至被试的鲁棒性，fNIRS基于多通道模式解码的准确率高于单通道模式，但对精细语义线索的准确性有限（图1）。

图1. 基于fNIRS进行语义解码的流程与结果

受这项研究方法的启发，姜啸威同学和陈亚楠老师测试了是否可以通过机器学习算法对问卷数据的模型进行验证。该研究以“How to Improve the Well-Being of Youths：an Exploratory Study of the Relationships among Coping Style, Emotion Regulation and Subjective Well-being Using the Random Forest Classification and Structural Equation Modeling（doi: 10.3389/fpsyg.2021.637712）”为题在线发表于SSCI期刊Frontiers in Psychology《心理学前沿》（影响因子2.067，中科院3区），姜啸威同学为论文第一作者，其导师陈亚楠博士为文章通讯作者。

该研究基于1127人参与的问卷调查，对生活满意度进行分类，然后采用机器学习的方法对由结构方程模型得到的结果进行验证。将全部数据集分为训练集和验证集，并在训练集中使用十折交叉分析进行训练。研究者采用了基于树的模型进行分析。通过对XGBoost，AdaBoost，Catboost，Random Forest等算法进行比较，最终选定随机森林算法作为后续分析的算法（图2）。

图2. 随机森林模型训练流程图

研究中使用吉尼系数对各个变量对生活满意度的预测重要性进行分析。为了使机器学习对不同特征重要性具有良好的性能，研究最后采用SHAP算法对机器学习的结果进行二次检验。结果与Gini系数的结果相似。这些发现为研究应对方式对主观幸福感的影响提供了思路，并对开发和评估基于情绪调节的干预措施具有启示意义。

2021年3月份姜啸威同学凭借优秀的科研能力被宾夕法尼亚老员工物工程专业录取。宾夕法尼亚大学位于宾夕法尼亚洲的费城，是一所全球闻名的私立研究型大学，著名八所常春藤盟校之一，北美顶尖名校。谈到能在本科期间取得这些成果，姜啸威同学表示，实验和投稿过程中的所有曲折经历都让他觉得弥足珍贵，而这些经验将会助力他未来的科研道路。他感谢英国威廉希尔公司教育科学学院给本科生提供的平台，让他和其他同学有机会在老师们的帮助下相对独立地完成自己感兴趣的研究课题。

陈亚楠博士团队持续关注人工智能技术在心理学研究中应用，当前的研究兴趣聚焦于基于EEG与fNIRs的实时脑机接口平台的搭建与基于机器学习网络的多模态神经解码分类，以及基于多模态数据的抑郁症等精神疾病的预测模型的建立，欢迎感兴趣的同学和合作者一起加入。