机器学习识别了基于智能手表的生理生物标志物,用于预测儿童的破坏性行为:可行性研究
Magdalena Romanowicz1,2, Kyle S Croarkin3, Rana Elmaghraby4
1Department of Psychiatry and Psychology, Mayo Clinic, Rochester, Minnesota, USA.
Journal of child and adolescent psychopharmacology
|November 15, 2023
概括
智能手表可以有效地监控具有破坏性行为的儿童. 机器学习使用心率,睡眠和活动数据准确预测行为状态,帮助干预.
科学领域:
- 儿科心理学 儿科心理学
- 行为科学 行为科学
- 数字健康数字健康
背景情况:
- 父母越来越多地使用智能手表来监控孩子.
- 儿童的破坏性行为需要有效的监测和干预.
- 监测破坏性行为的现有方法可能是有限的.
研究的目的:
- 评估智能手表监控的可行性和准确性,以预测住院儿童的破坏性行为.
- 识别用于行为预测的生理和基于活动的生物标志物.
- 探索机器学习在分析智能手表数据以获取行为见解方面的潜力.
主要方法:
- 试点研究涉及10名儿童 (7-10岁) 因破坏性行为而住院.
- 使用智能手表数据 (心率,睡眠,运动活动) 进行持续的行为表型化.
- 监督机器学习模型被训练来预测行为状态 (平静,玩,破坏性),专注于严重的爆发.
主要成果:
- 在每条协议的智能手表使用中,实现了90%的遵守.
- 机器学习模型确定了生理/活动数据和行为状态之间的有条件依赖关系.
- 通过交叉验证,在预测孩子的行为状态方面取得了80.89%的准确性.
结论:
- 持续的智能手表监控对于严重破坏性行为儿童来说是可行的.
- 机器学习可以识别即将发生的破坏性行为的预测生物标志物.
- 未来的研究可以利用智能手表数据来加强行为干预和临床试验.
