过度使用智能手机的基于机器学习的分类通过神经元暗示反应性来进行
Jailan Oweda1, Mike Michael Schmitgen2, Gudrun M Henemann2
1Department of General Psychiatry, Heidelberg University Hospital, Germany; Karlsruhe Institute of Technology, Germany.
Psychiatry research. Neuroimaging
|October 17, 2024
概括
机器学习成功地通过分析在提示反应任务期间的大脑活动来对过度使用智能手机 (ESU) 进行了分类. 这项研究确定了ESU的神经生物标志物,有助于理解和治疗这种日益增长的行为挑战.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算机科学 计算机科学
背景情况:
- 过度使用智能手机 (ESU) 是一个日益严重的社会问题,诊断标准不清楚.
- 了解ESU的神经基础对于开发有效的干预措施至关重要.
- 现有的研究缺乏确定的神经标志物来分类ESU.
研究的目的:
- 通过神经成像,将过度使用智能手机 (ESU) 和非过度使用 (n-ESU) 的个人分类.
- 为了识别神经中Cue-Reactivity (CR) 签名,将ESU与n-ESU区分开来.
- 探索ESU神经模式与已确定的成障碍的神经模式之间的相似之处.
主要方法:
- 功能磁共振成像 (fMRI) 数据是在Cue-Reactivity (CR) 任务期间收集的.
- 机器学习算法,包括支持矢量机器 (SVM),用于分类.
- 使用特征选择 (RFE,基于模型) 和维度减小 (PCA) 来优化模型性能,使用高维 fMRI 数据.
主要成果:
- 该分类模型在区分ESU和n-ESU时达到高达79.9%的准确性.
- 特定的大脑区域显示出显著的激活,可能作为ESU的生物标志物.
- 在ESU神经模式与其他成障碍的神经模式之间发现了空间相似之处.
结论:
- 机器学习有效地识别了过度使用智能手机 (ESU) 的神经相关物.
- 这些发现突出了ESU潜在的神经生物学标志物,为诊断和治疗策略提供了信息.
- 需要对更大的数据集进行进一步的研究,以提高临床应用的模型通用性和稳定性.
