使用PsychoPy实现剑桥博弈任务(CGT)的完整指南-代码聚汇网

使用PsychoPy实现剑桥博弈任务(CGT)的完整指南

剑桥博弈任务PsychoPy决策行为

|难度：普通|阅读约 9 分钟

1. 剑桥博弈任务（CGT）简介

剑桥博弈任务（Cambridge Gambling Task, CGT）是认知心理学和神经科学领域广泛使用的一种决策行为评估工具。它最初由剑桥大学的研究团队开发，用于测量个体的风险决策能力、冲动控制水平和奖赏敏感性等高级认知功能。

这个任务的核心在于让参与者在不同风险条件下做出一系列选择，通过分析他们的决策模式来评估：

风险偏好程度（risk-taking propensity）
决策质量（decision quality）
对概率信息的敏感度（probability sensitivity）
延迟满足能力（delayed gratification）

在临床应用中，CGT常用于评估前额叶皮层功能，特别是眶额叶皮层（OFC）和腹内侧前额叶皮层（vmPFC）的损伤情况。这些脑区受损的患者往往表现出异常的风险决策模式。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. PsychoPy平台与CGT实现

2.1 为什么选择PsychoPy

PsychoPy是一个开源的心理学实验构建平台，使用Python作为脚本语言。它特别适合实现CGT这类需要精确计时和复杂交互的实验范式，主要优势包括：

跨平台兼容性：支持Windows、macOS和Linux系统
毫秒级计时精度：满足认知实验的时间敏感性要求
灵活的刺激呈现：支持图片、文字、视频等多种刺激材料
数据记录完整：自动保存反应时、选择结果等关键数据

2.2 实验基本结构

一个标准的CGT实验通常包含以下组件：

指导语界面：用简明语言说明任务规则
练习试次：让被试熟悉操作流程
正式实验模块：包含多个风险等级不同的试次
结果反馈：显示累计得分或报酬

每个试次的基本流程为：

呈现选项（通常是不同颜色的盒子或柱状图）
显示各选项的获胜概率（如红盒70%，蓝盒30%）
被试做出选择
显示结果（赢/输及对应点数）

3. 使用鲲码园PsychoPy实现CGT

3.1 环境准备

首先需要安装PsychoPy环境：

bash复制pip install psychopy

建议使用鲲码园提供的定制版PsychoPy，它预装了常用的实验模板和中文支持：

bash复制git clone https://github.com/kunmayuan/psychopy-cgt-template.git
cd psychopy-cgt-template
pip install -r requirements.txt

3.2 实验参数配置

创建一个config.py文件存储实验参数：

python复制# 试次数量
TRIALS = 60

# 风险等级设置
RISK_LEVELS = {
    'low': {'prob': 0.7, 'ratio': '70:30'},
    'medium': {'prob': 0.6, 'ratio': '60:40'}, 
    'high': {'prob': 0.5, 'ratio': '50:50'}
}

# 点数设置
POINT_VALUES = {
    'win': 10,
    'loss': -5
}

# 颜色配置
COLORS = {
    'option1': '#FF6B6B',
    'option2': '#4ECDC4',
    'background': '#F7FFF7'
}

3.3 核心实验代码

主实验程序cgt_main.py的关键部分：

python复制from psychopy import visual, event, core
import random
from config import *

def run_trial(win, risk_level):
    # 创建刺激材料
    option1 = visual.Rect(win, width=0.3, height=0.5, fillColor=COLORS['option1'])
    option2 = visual.Rect(win, width=0.3, height=0.5, fillColor=COLORS['option2'])
    prob_text = visual.TextStim(win, text=RISK_LEVELS[risk_level]['ratio'], height=0.08)
    
    # 随机左右位置
    positions = [-0.4, 0.4]
    random.shuffle(positions)
    
    # 呈现刺激
    option1.pos = (positions[0], 0)
    option2.pos = (positions[1], 0)
    prob_text.pos = (0, -0.3)
    
    option1.draw()
    option2.draw()
    prob_text.draw()
    win.flip()
    
    # 等待响应
    clock = core.Clock()
    response = None
    while clock.getTime() < 5:  # 5秒超时
        keys = event.getKeys(keyList=['left', 'right', 'escape'])
        if 'escape' in keys:
            return 'abort'
        elif 'left' in keys:
            response = 'left'
            break
        elif 'right' in keys:
            response = 'right'
            break
    
    # 确定选择结果
    if response:
        chosen_option = option1 if response == 'left' else option2
        win_prob = RISK_LEVELS[risk_level]['prob'] if chosen_option == option1 else 1 - RISK_LEVELS[risk_level]['prob']
        outcome = 'win' if random.random() < win_prob else 'loss'
        points = POINT_VALUES[outcome]
    else:
        outcome = 'timeout'
        points = 0
    
    return {
        'response': response,
        'outcome': outcome,
        'points': points,
        'rt': clock.getTime() if response else None
    }

4. 实验设计注意事项

4.1 风险等级平衡

为确保实验结果可靠，建议采用完全平衡设计：

每个风险等级（低、中、高）的试次数相同
高奖励选项的位置（左/右）随机化
不同颜色与选项的关联随机化

4.2 数据记录要点

除了记录被试的选择和结果外，还应收集：

反应时（从刺激呈现到做出选择的时间）
选择策略变化（是否随实验进程调整）
对反馈的情绪反应（可通过面部表情或生理指标）

示例数据记录结构：

python复制{
    'trial_num': 1,
    'risk_level': 'low',
    'option_positions': {'left': 'red', 'right': 'blue'},
    'chosen_option': 'red',
    'outcome': 'win',
    'points': 10,
    'rt': 1.234,
    'total_points': 10,
    'timestamp': '2023-05-15 14:30:22'
}

4.3 常见问题排查

计时不准确：
- 确保使用core.Clock()而非time.time()
- 关闭不必要的后台程序
- 在实验开始前进行时间校准测试
刺激呈现错位：
- 检查屏幕分辨率和PsychoPy单位设置（建议使用'height'单位）
- 验证刺激物的锚点位置（默认是中心）
数据丢失：
- 实现自动备份机制（每5个试次保存一次）
- 添加异常处理捕获可能的错误

5. 数据分析方法

5.1 核心指标计算

完成实验后，通常计算以下行为指标：

风险选择比例：

python复制risk_choices = sum(1 for t in trials if t['risk_level'] == 'high' and t['response'])
total_high_risk = sum(1 for t in trials if t['risk_level'] == 'high')
risk_propensity = risk_choices / total_high_risk

决策质量指数：

python复制optimal_choices = sum(1 for t in trials if 
                     ((t['risk_level'] == 'low' and t['chosen_option'] == 'red') or
                      (t['risk_level'] in ['medium','high'] and t['chosen_option'] == 'blue')))
decision_quality = optimal_choices / len(trials)

反应时模式：

python复制mean_rt = sum(t['rt'] for t in trials if t['rt']) / sum(1 for t in trials if t['rt'])
rt_variability = statistics.stdev(t['rt'] for t in trials if t['rt'])

5.2 结果可视化

使用matplotlib创建关键结果图表：

python复制import matplotlib.pyplot as plt
import numpy as np

# 风险选择比例柱状图
risk_levels = ['low', 'medium', 'high']
prop_risky = [
    sum(1 for t in trials if t['risk_level']==lvl and t['chosen_option']=='blue') / 
    sum(1 for t in trials if t['risk_level']==lvl)
    for lvl in risk_levels
]

plt.bar(risk_levels, prop_risky)
plt.title('Risk Taking by Condition')
plt.ylabel('Proportion of Risky Choices')
plt.ylim(0, 1)
plt.show()

6. 实验变体与扩展

6.1 动态调整版本

为增加挑战性，可以实现在线调整算法：

python复制def adaptive_difficulty(performance_history):
    """根据近期表现动态调整风险等级"""
    last_5 = performance_history[-5:]
    win_rate = sum(1 for p in last_5 if p['outcome'] == 'win') / 5
    
    if win_rate > 0.7:
        return 'high'
    elif win_rate > 0.5:
        return 'medium'
    else:
        return 'low'

6.2 多模态测量扩展

结合其他测量方式获取更丰富数据：

眼动追踪：记录选项注视时间
皮肤电反应：测量决策时的生理唤醒
fMRI兼容版：使用PsychoPy的MRI模式

6.3 临床应用调整

针对特殊人群的修改建议：

儿童版：使用更简单的视觉刺激和游戏化反馈
临床患者版：延长反应时间限制，增加练习试次
跨文化研究：调整颜色象征意义和点数价值

7. 实际应用中的经验分享

在多个研究项目中使用PsychoPy实现CGT后，总结出以下实用建议：

预实验检查清单：
- 确认所有依赖库版本兼容
- 测试不同屏幕分辨率的显示效果
- 准备备用数据存储方案（如USB即时备份）
提高参与度技巧：
- 添加进度条显示实验完成度
- 设置间歇性鼓励反馈（如"做得很好，继续保持！"）
- 使用有意义的点数兑换规则（如兑换小礼品）
调试技巧：
- 在开发模式使用win = visual.Window(size=(800,600))方便调试
- 添加print语句记录关键节点状态
- 使用psychopy.logging模块记录详细运行日志
性能优化：
- 预加载所有刺激材料
- 避免在试次循环中创建新对象
- 对于复杂动画，考虑使用OpenGL加速

通过鲲码园提供的PsychoPy模板和这些实践建议，研究者可以快速构建出专业级的剑桥博弈任务实验，获得可靠的决策行为数据。这种实现方式既保持了实验范式的标准化，又提供了足够的灵活性来适应不同的研究需求。