机器学习方法,以更好地理解与体育相关脑震荡史相关的因素

科学领域:

• 神经科学是一个神经科学.
• 运动医学 运动医学
• 数据科学数据科学数据科学

背景情况:

• 运动相关脑震荡 (SRC) 是一种常见的轻度创伤性脑损伤,具有潜在的长期认知和生活质量影响.
• 了解持续性脑震荡的影响对于预防复发和神经退行至关重要.
• 卫生指标,人口统计和绩效指标之间的相互关系需要进一步调查.

研究的目的:

• 识别与脑震荡史 (一个或多个) 相关的因素.
• 为了确定多次脑震荡的预测因素.
• 分析与最近一次脑震荡以来的时间之间的关联.

主要方法:

• 利用各种数据集,包括自我报告的健康状况,人口统计数据和感知运动性能.
• 应用合成少数人过量抽样技术 (SMOTE) 来解决阶级不平衡.
• 采用机器学习模型,如随机森林 (RF),K-最近邻居 (KNN),人工神经网络,决策树,MARS和GLM进行分析.

主要成果:

• 感知运动性能指标在识别有脑震荡病史的个体方面具有重要意义.
• RF,ANN和决策树在识别过去的脑震荡方面表现出色.
• 在识别多重脑震荡病史时,KNN最有效.
• 火星和GLM最好与自上次脑震荡以来的时间有关.

结论:

• 计算模型可以有效地识别有运动相关脑震荡病史的个体.
• 感知运动性能是对脑震荡评估的一个关键因素.
• 这些发现支持开发个性化干预措施,以实现最佳恢复和长期健康.