基于使用机器学习对大脑脉动的光学测量进行的年龄组分类
Martti Ilvesmäki1, Hany Ferdinando2, Kai Noponen3
1Research Unit of Health Sciences and Technology, University of Oulu, Oulu, Finland. martti.ilvesmaki@oulu.fi.
Scientific reports
|January 25, 2025
概括
功能近红外光谱学 (fNIRS) 显示出对评估与衰老相关的大脑血管变化的有前途. 机器学习模型使用fNIRS脑脉冲数据准确区分年龄组,展示了非侵入性可穿戴技术的潜力.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 医疗成像医学成像
背景情况:
- 像功能近红外光谱学 (fNIRS) 这样的非侵入性可穿戴光学技术为监测老年人群中大脑血管健康提供了潜力.
- 实时血液动力学监测对于了解与年龄相关的大脑功能变化至关重要.
研究的目的:
- 用单通道fNIRS和机器学习探索与年龄相关的大脑血液动力学的差异.
- 评估fNIRS衍生脉特征的有效性,以区分年轻人和老年人.
主要方法:
- 在fMRI期间使用单通道fNIRS评估了36名健康成年人 (年轻人和老年人组).
- 脑脉冲被提取在830nm,并使用脉冲分解算法衍生出四个特征集.
- 使用了机器学习算法 (SVM,随机森林) 和特征选择方法 (mRMR,PCA).
主要成果:
- 特征集的最佳平均平衡精度超过了75%,表明脉冲特征中的年龄相关信息.
- 随着样本大小的增加,学习曲线显示了稳定的分类性能.
- 单通道fNIRS成功地发现了与年龄相关的脑血液动力学差异.
结论:
- 结合机器学习的单通道fNIRS,显示了与衰老相关的大脑血管疾病的非侵入性分析的巨大潜力.
- 这种方法可以为可穿戴设备铺平道路,以监测老年人的大脑健康.
- 提取的脉冲特征包含有价值的信息,用于区分年龄组.
