拖延行为的认知神经模型及干预

拖延是一种普遍存在, 具有跨时间和跨情景稳定性的问题行为, 它会危害到人们的学习、工作和身心健康。然而目前拖延行为的认知神经机制仍不清晰, 且缺乏因果证据, 本项目拟从拖延的时间决策模型和三重神经结构网络模型出发, 构建拖延的认知神经模型, 并利用认知干预和神经调控技术, 检验和完善拖延行为的认知神经模型, 进而试图制定拖延的精准化干预方案。本项目分为3部分：(1)从记录与关联研究的视角出发, 利用多模态神经影像方法系统考察拖延行为的认知神经机制; (2)从因果/近因果研究视角出发, 利用认知干预和神经调控技术, 验证并完善拖延的认知神经模型; (3)从临床应用的视角出发, 建立拖延行为障碍的临床筛查-诊断体系, 并制定精准化治疗方案。本项目的开展对于探明拖延产生的核心认知神经机制具有十分重要的理论贡献, 同时对于拖延行为的有效预防和精准治疗具有重要的现实意义。     

时间期待的认知与神经机制

时间期待是指个体利用环境中的时间信息预测目标刺激何时出现的能力。相关的认知模型可以分为两类：一类侧重于解释时间期待的形成过程, 如痕迹条件反射模型、双加工模型、动态注意模型、时间定向理论等; 另一类侧重于解释时间期待的更新过程, 如策略模型和时间再定位模型等。不同类型的时间期待激活的脑区不同, 表明时间期待的产生和更新过程存在分离：期待的产生激活与运动有关的左侧脑区, 而期待的更新激活与控制有关的右侧脑区。     

音乐表演训练对神经可塑性的影响:元分析研究

音乐表演是人类最复杂和精细的技能之一。通过激活似然性评估元分析,对音乐表演训练所诱发的神经可塑性进行探究。结果发现,音乐表演者与非音乐家在左侧小脑、双侧中央前回、双侧颞上回、左侧额下回、双侧顶下小叶以及右侧脑岛等脑区存在差异。这些脑区与听觉、运动以及多通道信息整合等加工有关。未来研究应从不同音乐表演训练诱发的神经适应性出发,进一步探究音乐表演训练与大脑可塑性之间的关联。     

自豪感的神经基础：比较的视角

自豪感是对自身成就进行评估时产生的积极情绪体验。神经基础研究表明, 心理理论、自我参照、情绪、奖赏和记忆等相关脑区的协同作用构成了自豪感的神经基础, 而神经和生理的比较研究则揭示了自豪感和其他基本情绪以及道德情绪等在神经基础上的异同。以上结果为理解自豪感的复杂神经机制提供了依据。未来研究应对不同种类自豪感以及自豪感与认知过程相互作用的神经机制进行深入探讨。     

听而不“闻”?人声失认症的神经机制

人声身份识别对于社交交流的许多方面都至关重要, 大多数个体都能根据声音识别其声源者, 然而人声失认症患者似乎已经丧失了这种能力。人声失认症是指人声身份加工的不同阶段出现障碍, 症状主要包括获得性人声失认症, 发展性人声失认症及其亚型。获得性人声失认症患者受损脑区主要包括颞叶, 赫氏脑回和颞极, 发展性人声失认症主要与右后侧颞上沟的非典型性反应和颞叶与杏仁核间的功能联结障碍有关。以后的研究可以重点关注人声失认症的筛选方法, 界定范围和文化差异等方面。     

错误相关负波的神经起源及其影响因素

与个体做出错误反应相伴的错误相关ERP成分叫错误相关负波 (error-related negativity, ERN),当前冲突监控理论、表征失匹配理论和强化学习理论从不同的角度对ERN的神经机制进行解释,各理论间并非完全相互排斥。目前大部分研究认为ERN定位于扣带回,部分研究则出现其它脑区的激活,然而,扣带回与其它脑区存在复杂的神经功能联系,ERN 电位很可能是多个脑区电活动在头颅的综合表现,而非某一脑区的单独表现。ERN的神经机制受到实验任务、被试年龄及其意识水平等因素的影响。未来要推动实验室研究走向临床应用,发现与诊断脑电波异常的病人和毒品易复吸人群。     

基于人工神经网络的一种效度凭证求取方法

针对基于统计学的效度凭证求取方法所存在的问题,提出了基于人工神经网络的效度凭证求取方法。蒙特卡罗模拟实验和对实际数据的分析表明,当测验分数和效标分数为单变量且非线性关系时,或者测验分数和效标分数为多变量时,运用神经网络方法可以比统计学方法更好地求取心理测验效度的基于和其他变量关系的凭证。     

汉语句子格角色分配的一种神经网络方法

提出了一个基于分布式表征的计算模型,通过并行分布加工方式完成六类汉语句子的格角色分配任务。模型是一个四层的前传网络,包括输入层（词的分布式表征层）,两个隐层,输出层（格角色层）;其中第一隐层的一部分反馈到输入层。模型采用误差反传算法,通过提供学习样本和目标输出,不断调整三个权值矩阵,使得网络稳定时能得到正确的结果。经过训练后的网络具有一定的稳定性和鲁棒性。还对这种方法与传统的符号处理方法作了比较和分析。     

A study of the classification capabilities of neural networks using unsupervised learning: A comparison withK-means clustering

Several neural networks have been proposed in the general literature for pattern recognition and clustering, but little empirical comparison with traditional methods has been done. The results reported here compare neural networks using Kohonen learning with a traditional clustering method (K-means) in an experimental design using simulated data with known cluster solutions. Two types of neural networks were examined, both of which used unsupervised learning to perform the clustering. One used Kohonen learning with a conscience and the other used Kohonen learning without a conscience mechanism. The performance of these nets was examined with respect to changes in the number of attributes, the number of clusters, and the amount of error in the data. Generally, theK-means procedure had fewer points misclassified while the classification accuracy of neural networks worsened as the number of clusters in the data increased from two to five.Acknowledgements: Sara Dickson, Vidya Nair, and Beth Means assisted with the neural network analyses.