信息融合用于从落叶牙估计婴儿年龄,使用机器学习
Práxedes Martínez-Moreno1,2, Andrea Valsecchi3, Sergio Damas2,4
1Department of Computer Science and Artificial Intelligence, University of Granada, Granada, Spain.
American journal of biological anthropology
|February 24, 2024
概括
机器学习 (ML) 准确地使用落叶牙发育来估计婴儿年龄. 与传统方法相比,结合多种牙特征显著提高了准确性.
科学领域:
- 法医人类学 法医人类学
- 儿科牙科 儿科牙科
- 机器学习 机器学习
背景情况:
- 牙发育是婴儿年龄估计的可靠标记.
- 传统的方法很难有效地整合各种牙特征.
- 机器学习 (ML) 为提高准确性提供了一个潜在的解决方案.
研究的目的:
- 开发和验证一种ML模型,用于使用落叶牙来估计婴儿年龄.
- 评估各种牙特征的信息性 (长度,矿物化,膜阶段).
- 评估结合来自多个牙和特征的信息的好处.
主要方法:
- 利用114个婴儿骨的数据集 (怀孕5个月至3年).
- 采用多层感知器 (MLP) 模型,是一种人工神经网络.
- 通过一个leave-one-out交叉验证协议验证了模型.
- 实验分析了个人和组合的牙特征.
主要成果:
- 牙科变量的融合产生了比单个变量 (RMSE = 101天) 更准确的年龄估计 (RMSE = 66天).
- 与使用单一的牙相比,结合多个牙显著降低了根平均平方误差 (RMSE).
- ML方法在年龄估计方面表现出卓越的准确性和稳定性.
结论:
- 基于ML的方法为婴儿年龄估计提供了显著的优势.
- 整合多个牙特征和牙可以提高准确性和可靠性.
- 这项研究强调了ML在法医和儿科年龄评估中的潜力.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
09:24Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable
Published on: May 17, 2024
1.4K
