根据SVM和SHAP模型,使用瞳孔直径对医学学生的心理弹性评估

科学领域:

• 心理评估 心理评估
• 生物医学工程 生物医学工程
• 机器学习应用程序 机器学习应用程序

背景情况:

• 评估医学生的心理性对于早期干预至关重要.
• 目前的方法缺乏客观的生理标记.
• 整合生理数据与机器学习提供了一种新的方法.

研究的目的:

• 开发和验证机器学习模型,使用学生直径特征进行客观的心理弹性评估.
• 在本评估中探索听觉与视觉刺激的有效性.
• 为了确定关键的瞳孔直径特征表明心理弹性风险.

主要方法:

• 在听觉和视觉刺激呈现期间,采用眼睛跟踪技术收集学生直径数据.
• 预处理的学生数据 (插值,眼检测,基线校正).
• 使用递归特征消除与交叉验证 (RFECV) 来进行特征选择,并训练了各种机器学习模型 (LR,RF,SVM,XGBoost).

主要成果:

• 支持矢量机 (SVM) 模型表现出卓越的性能.
• SVM实现了0.906的平衡精度,0.89的召回,以及0.932.93的曲线下面面积 (AUC).
• 沙普利添加式解释 (SHAP) 分析表明,听觉刺激比视觉刺激更有影响力.

结论:

• 用机器学习分析的瞳孔直径作为心理弹性评估的可行客观指标.
• 这种方法可以帮助识别有风险的医学学生,并告知有针对性的干预措施.
• 听觉刺激似乎更容易通过学生的反应来检测心理性变化.