基于动力学的特征的有效性,用于机器学习的脏血液动力学分类

科学领域:

• 生理学 生理学 生理学
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 脏血液动力学分析对于了解脏功能至关重要.
• 机器学习 (ML) 为复杂的生理数据提供了先进的分析能力.
• 在动物群体之间区分血液动力学特征的微妙变化是具有挑战性的.

研究的目的:

• 开发和比较机器学习方法来分析脏血液动力学.
• 评估不同特征集在基于ML的老鼠分类中的有效性.
• 为了证明ML在基于血液动力学数据的Sprague-Dawley大鼠分类中的潜力.

主要方法:

• 使用了动脉血压和脏血流率的时间序列数据.
• 机器学习模型包括深度神经网络 (DNN),随机森林,支持矢量机器和多层感知器.
• 使用原始生理测量和从非线性动态系统中导出的特征向量来进行分类.

主要成果:

• 使用原始数据的深度神经网络实现了高分类准确性.
• 使用基于血液动力学的特征的模型也表现出有希望的分类性能,尽管略有降低.
• 该研究成功地根据微妙的血液动力学差异对来自不同供应商的Sprague-Dawley大鼠进行了分类.

结论:

• 机器学习模型可以有效地使用脏血液动力学数据对老鼠进行分类.
• 仅仅基于血液动力学的特征就足以进行合理准确的ML分类.
• 这项工作突出了ML在生理学研究和动物殖民地管理中的应用潜力.